AlexNet这项工作的贡献有：（)。

A.梯度为0时神经元难以正常工作

B.缓解了梯度消失问题

C.提高l网络训练速度

D.开销小、计算快

A.共享权重

B.dropout

C.Relu激活函数和重叠池化

D.双GPU训练(分组卷积)

A.Sigmoid函数

B.Tanh函数

C.ReLu函数

D.ReLo函数

A.使用较小的卷积，并统一卷积核的大小

B.使用定点计算的神经网络代替浮点运算

C.使用ReLU作为非线性激发函数

D.增加网络的深度

A.激活函数需要具有线性可微的特点

B.Sigmoid函数的导数是非零的，很容易计算

C.Sigmoid函数的输出值域是对称的

D.ReLU函数主要缺点是相比于Sigmoid、Tanh函数其计算低效

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

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

A.交叉熵也可以作为分类预测问题的损失函数

B.在使用梯度下降时，加上冲量项会减少训练的速度，但可能会增加陷入局部极小值的可能

C.与批量梯度下降法相比，使用小批量梯度下降法可以降低训练速度，但达到全局最优解可能需要更多的迭代次数

D.神经元的激活函数选择不影响神经网络的训练过程和最终性能

A.多变量非线性

B.多变量线性函数

C.少变量非线性函数

D.多常量线性函数