题目内容
（请给出正确答案）
A.这不会对训练产生影响。只要随机初始化权重，梯度下降不受权重大小的影响。
B.这会导致tanh的输入也非常大，从而使梯度也变大。因此，你必须将学习率α设置得非常小以防止发散。这会减慢网络参数学习速度。
C.这会导致tanh的输入也非常大，从而使梯度接近于零，优化算法将因此变得缓慢。
D.这会导致tanh的输入也非常大，导致神经元被“高度激活”，从而加快了学习速度。
如搜索结果不匹配，请 联系老师 获取答案
更多“某个神经网络中所有隐藏层神经元使用tanh激活函数。那么如果…”相关的问题
第1题
A.多层前向神经网络一般需要同一层神经元间相互连接
B.深度学习一般使用具有多个隐藏层的神经网络
C.训练神经网络的主要目的是学习神经元间的连接权值
D.卷积神经网络可以逐层抽取数据特征实现自动特征学习
第2题
A.神经网络神经元的输出都是传给其他神经元，不能再反馈回来
B.神经网络的训练主要是针对神经元之间的权重和神经元的偏置进行一定的调整，使得代价函数极小化
C.均方差损失函数是神经网络常用的一种代价函数(损失函数)
D.神经网络不同层次的神经元可以使用不同的激活函数
第3题
A.ReLU函数的输出是非零中心化的，给后一层的神经网络引入偏置偏移，会影响梯度下降的效率
B.ReLU神经元在训练时比较容易“死亡”.在训练时，如果参数在一次不恰当的更新后，第一个隐藏层中的某个ReLU神经元在所有的训练数据上都不能被激活，那么这个神经元自身参数的梯度永远都会是0，在以后的训练过程中永远不能被激活.
C.LeakyReLU在输入时，保持一个很小的梯度，这样当神经元非激活时也能有一个非零的梯度可以更新参数，这在一定程度上缓解了梯度消失问题
D.三个选项均正确
第4题
A.神经网络可以实现线性分类
B.神经网络可以实现非线性分类
C.神经网络的每层神经元激活函数值阈必须在[-1,1]
D.神经网络的每层神经元激活函数必须相同
第5题
A.隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新
B.神经元处于Sigmoid等激活函数的饱和区工作，梯度值偏小
C.隐藏层神经元的个数太多导致
D.隐层的权重取值大容易导致梯度消失
第8题
A.对加权累加信息进行非线性变化(通过激活函数)
B.将加权累加信息向后续相邻神经元传递
C.对前序相邻神经元所传递信息进行加权累加
D.向前序相邻神经元反馈加权累加信息
第10题
A.同一层神经元之间的连接权重
B.相邻层神经元和神经元之间的连接权重
C.神经元和神经元之间连接有无
D.输入数据大小
为了保护您的账号安全，请在“上学吧”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！
微信搜一搜
上学吧
微信搜一搜
上学吧
