以下关于权重衰减说法正确的是？（)

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.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

A.加权平均值的计算方法是“对不同分析数据赋予不同的权重值后，再计算其平均值”

B.加权平均值一般在人力资源绩效考核里面用到

C.给数值赋予权重的时候，越重要赋予的权重越大

D.给数值赋予权重的时候，越重要赋予的权重越小

A、感知器模型中的激活函数是二值函数时，损失函数是可导的

B、感知器模型的关键，就是通过调整权重使一类样本可以激活神经元，而另一类则不会

C、重调整采用“奖惩分明”策略，即对于能够准确判断样本类型的权重，提高当前权重比例，反之则降低当前权重比例

D、一层感知器只能针对线性可分的数据集分类，无法解决异或(XOR)问题

A.当具有多个网关时，依据优先级的高低来选择网关，数字越大优先级越高

B.下一跳有多条时，根据优先级分配数据。优先级越高，分配的会话数越多

C.当具有多个网关时，依据权重值的高低来选择网关，数字越小优先级越高

D.下一跳有多条时，根据权重分配数据。权重越大，分配的会话数越多（值越小优先级

A.百度指数不等于百度权重

B.权重估算值0-9

C.权重最高的是10

D.权重等于流量

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。

A.BP神经网络的训练过程中，先进行后向传播再进行前向传播

B.通过损失函数对后向传播结果进行判定

C.通过前向传播过程对权重参数进行修正

D.训练过程中权值参数的运算量很大，一般采用梯度下降法

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