梯度大小

梯度方向

学习率

使用样本数

答案: D

解析: 批量梯度下降、小批量梯度下降和随机梯度下降的最重要的区别在于使用的样本数不同。批量梯度下降使用全部样本去计算梯度并更新模型参数，因此需要占用较大的计算资源和存储空间。但是，它可以更准确地估计梯度，并且在目标函数平滑时可以更快地收敛。小批量梯度下降使用部分样本去计算梯度并更新模型参数，通常采用2~100 个样本，既能减少存储空间和计算资源的占用，同时也比随机梯度下降更稳定，更容易逃离局部最优解。随机梯度下降使用单个样本去计算梯度并更新模型参数，因此计算速度非常快，但不能准确地估计梯度，并且可能会运行进入局部最优解的问题。但在实际应用中， 随 机梯度下降通常能够在更短的时间内找到全局最优解，同时也更能处理大规模的数据集。因此，批量梯度下降、小批量梯度下降和随机梯度下降的最重要的区别在于使用的样 本数，D 选项是正确答案

1149985184150（含图）

回归算法预测的标签是？（AI 考点）

自变型

离散型

应变型

连续型答案: D

1149985203200（含图）

1368425742950会出现长时间传输记忆的信息衰减的问题答案: D

1149985194945（含图）

1149985198755（含图）

1368425330200其输入节点具备计算能力

1149985193675（含图）

1149985195580（含图）

1368425-182880优化器是训练神经网络的重要组成部分，使用优化器的目的不包含以下哪项： （AI 考点）

11499851873885（含图）解析: 答案是C. 避免过拟合问题。优化器是训练神经网络的重要组成部分，它通过调整网络参数来最小化损失函数。使用优化器的目的包括以下几点：A. 加快算法收敛速度：优化 器可以通过根据损失函数的梯度方向来更新参数，帮助网络更快地收敛到最优解。B.减少 手工参数的设置难度：优化器通过自动调整学习率、正则化等参数，减少了人工调参的工作量和难度。D. 避免局部极值：优化器的目标是寻找全局最优解，而不是陷入局部极值。 它可以通过使用不同的优化算法和策略来避免陷入局部最优解。然而，优化器并不能直接 避免过拟合问题。过拟合是指模型在训练集上表现很好，但在测试集或新数据上表现较差的情况。为了解决过拟合问题，通常需要采取其他策略，如正则化、早停等措施。

1149985195580（含图）

1368425116840损失函数反映了神经网络的目标输出和实际输出的误差，在深度学习中常用的损失函数是： （AI 考点）

1149985224155（含图）