画像エッジ特徴を抽出することができる[1]複数の選択肢は、ネットワーク(A)です。
A、畳み込み層
B、プールされた層
C、全接続層
D、出力層
複数の選択肢ベクトル[2] [0.1,0.1,0.2,0.3,0.6]は寸法(B)の数です。
A、10
B、5
C、3
D、1
[3]複数の選択肢(A)は、予測値と試料のニューラルネットワーク計算モデルの真値との誤差の大きさを評価しました。
機能のA、損失
B、最適化機能
C、バックプロパゲーション
D、勾配降下
[4]複数の選択肢章手書き数字認識の場合には、入力画像28のピクセル画像の長さ及び幅であり、出力確率決意0-9。この問題を解決するために、フィードフォワードニューラルネットワークを構築するには、入力層の寸法、出力層の大きさ。(A)
A、784; 10
B、28、10
C、784; 1
D、28; 1
各層のニューラルネットワークをフィードフォワード[5]との間の複数の選択肢は、(C)は、フィードバック型ニューラルネットワークは、様々な層の間(C)です。
A、そこリング、リング
B、環を有する、非環式
C、非環式; annulate
D、非環式、非環式
MNISTの[6]複数の選択肢は、次の文は偽(C)です。
A、手書き数字認識データセットを知られています
B、二つの部分のトレーニングとテストセットがあります
C、とトレーニングセットの試験の論文の多様性を学ぶ人間のような
Dは、テスト・セットは、約10,000のサンプルとラベルが含まれています
元の信号がサンプリングされている請求項7プーリング効果層] [複数の選択である隠された層(A)トレーニングパラメータ。
、削減
B、増加
C、分割
D、合成
[8]四層の中間層、出力(D)に最も近い次いで層が存在する場合に複数の選択肢。
A、畳み込み層
B、プールされた層
C、全接続層
D、正規化された屈折率層
[9]人工ニューラルネットワークは、(AC)の完全な、複数の選択肢。
、一つの入力層
B、多層膜の分析
C、多層中間層
D 2つの出力層
(AD)で使用される[10]複数の選択肢のフィードフォワードニューラルネットワーク。
A、画像認識
B、テキスト処理
C、質問応答システム
D、画像検出
[11]抽出することができ、各隠れ層ニューラルネットワークのと見られる特徴人間として表題の分析。(×)
[12] TrueまたはFalseの人工ニューラルネットワークのトレーニングは、目的は、損失関数が最小化されるようにすることです。(√)
第一中間層から出力層への[13]真または偽のエラーバックプロパゲーション、すなわち、ニューロンの結合重みのパラメータ値を変更するための層によって層ので、最小損失関数値という。(×)。
隠された層に大きな役割[14] TrueまたはFalseに完全に接続されている層は、一緒にすべての機能を融合させています。(√)
質問を決定するために、最適化のアプローチ[15]勾配降下アルゴリズムは、最も一般的で最も効果的なニューラルネットワークである、完全に異なる種類のニーズを満たします。(×)