题目内容
（请给出正确答案）
[单选题]
当你增加正则化超参数λ时会发生什么？（)
A.λ翻倍后会导致权重也翻倍
B.使权重变得更小(趋近0)
C.每次迭代的梯度下降走的步长更长
D.使权重变得更大(远离0)
如搜索结果不匹配，请 联系老师 获取答案
更多“当你增加正则化超参数λ时会发生什么？（)”相关的问题
第1题
在标准的随机梯度下降中，权重衰减正则化和ℓ2正则化的效果相同.因此，权重衰减在一些深度学习框架中通过ℓ2正则化来实现.但是，在较为复杂的优化方法（比如Adam)中，权重衰减正则化和ℓ2正则化并不等价。（)
第2题
以下关于权重衰减说法正确的是？（)
A.A.权重衰减通过赋予神经元某个权值从而避免梯度消失
B.B.当数据集中有噪声时，权重衰减可以在训练中逐渐修正神经网络的权重
C.C.权重衰减是一种正则化技术，通过惩罚绝对值较大的模型参数为需要学习的模型增加了限制
D.D.权重衰减是在训练过程中逐渐减少学习率
第3题
某个神经网络中所有隐藏层神经元使用tanh激活函数。那么如果使用np.random.randn（…，…)*1000将权重初始化为相对较大的值。会发生什么？（)
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。
第5题
减少神经网络过拟合的说法，以下哪些是错误的（)？
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
第6题
80%的学习曲线意味着在生产的初期，单位（给定一定的人工比率的人工成本)累计平均时间在产出翻倍时会下降20%，即原单位产品的工时为100小时，产出翻倍时，单位产品工时为（)。
A.20小时
B.40小时
C.60小时
D.80小时
第8题
以下关于网页权重的说法错误的是( )
以下关于网页权重的说法错误的是（)
点击查看答案
A、有规律的更新原创内容，有利于提升权重
B、权重越高，蜘蛛来访爬行的可能性越大
C、只有首页存在权重，内容页不存在权重
D、导入链接能增加权重
第9题
在一个MPPDB数据库中，当用户数量翻倍，处理节点数量扩容一倍，数据量增加一倍时，系统性能将会发生什么（)。
A.A.性能提升
B.B.性能下降
C.C.无法预测
D.D.性能保持不变
第10题
关于模型参数（权重值)的描述，正确的说法是哪些（)？
A.每一次Epoch都会对之前的参数进行调整，迭代次数越多，损失函数一般越小
B.训练好的神经网络模型存储于一定结构的神经元之间的权重和神经元的偏置中
C.在训练神经网络过程中，参数不断调整，其调整的依据是基于损失函数不断减少
D.模型参数量越多越好，但没有固定的对应规则
热门考试
全部 >
