学习训练后的状态有（)。

A.为了防止过拟合可以使用L1或L2正则化

B.为了防止过拟合可以使用提前终止训练的方法

C.为了防止过拟合可以使用Dropout

D.训练过程中的损失值越小，其在存过拟合的风险越低

A.增加学习率

B.L2正则化

C.dropout

D.提前终止

A.增加训练集的数据量

B.正则化方法

C.增加样本的数量

D.增加训练的次数

A.通过正则化可以减少网络参数的个数，一定程度可能增加过拟合

B.利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合

C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

D.通过增加数据扰动的数据增强减少了神经网络的过拟合

A.调整模型的容量(capacity)

B.增加训练集的数据量

C.增加训练的次数

D.减少学习率，减少学习的步长，增加学习的精度

A.增加新特征，可以加入进特征组合、高次特征，来增大假设空间

B.添加多项式特征

C.减少正则化参数

D.使用非线性模型

A.端点连线法

B.最小二乘法

C.自然样条插值法

D.误差最小法

A.使用修正的线性单元(ReLU)作为非线性激活函数

B.在训练的时候使用Dropout技术有选择地忽视单个神经元，以避免模型过拟合

C.覆盖进行较大池化，避免平均池化的平均化效果

D.使用GPUNVIDIAGTX580减少训练时间