在训练了具有BN层的神经网络之后，需要新样本评估性能，应该
A: 直接使用训练期间得到的线性变换因子对
B: 假设训练期间的mini-batch为256，需要将测试图像反复输入256次，进行预测
C: 使用最后一次迭代时计算出来的线性变换因子对
D: 当单独测试一张图时，不需要用BN层
A: 直接使用训练期间得到的线性变换因子对
B: 假设训练期间的mini-batch为256，需要将测试图像反复输入256次，进行预测
C: 使用最后一次迭代时计算出来的线性变换因子对
D: 当单独测试一张图时，不需要用BN层
A
举一反三
- 为网络添加BN层能够一定程度上解决梯度弥散的问题，加快模型的收敛速度。根据BN层的算法原理，判断以下关于BN层的叙述正确的有 A: 在网络测试阶段，BN层的输出数据会被归一化，均值为0，方差为1 B: 对输入数据进行一定程度的缩小或放大操作，将不会影响BN层的输出 C: 在卷积层之后直接使用BN层，卷积层可以不设置bias D: 假设某个2d的BN层，其输入通道数为n，则该BN层会有n组线性变换因子
- 在训练了具有批标准化的神经网络之后，在用新样本评估神经网络性能时，应该 A: 如果你在batch size为256的mini-batch上实现了批标准化，那么如果你要在一个测试样本上进行评估，你应该将这个例子重复256次，这样你就可以使用和训练时大小相同的mini-batch进行预测。 B: 使用最后一个的mini-batch的<img src="https://www.zhihu.com/equation?tex=%5Cmu">和<img src="https://www.zhihu.com/equation?tex=%5Csigma%5E2">值来执行所需的标准化 C: 跳过用<img src="https://www.zhihu.com/equation?tex=%5Cmu">和<img src="https://www.zhihu.com/equation?tex=%5Csigma%5E2">值标准化的步骤，因为一个样本不需要标准化 D: 使用在训练期间，通过指数加权平均值得出的[img=36x26]18033255208b7a8.png[/img]执行所需的标准化
- 假设使用K折交叉验证对线性回归模型进行性能评估，请问需要对回归模型进行多少次训练和测试（ ）
- 假设一个BP神经网络的输入层、隐层和输出层分别有3、6和4个神经元，请问这个网络一共有多少个权重需要训练？
- 下面有关批归一化BN（batch normalization）的说法，错误的是哪个？ A: BN主要解决深度神经网络各层输入的分布一致，增加训练过程的平衡 B: BN可以减少每个隐层神经元梯度的变化幅度 C: BN起到了减少过拟合的作用 D: BN一般位于隐层神经元的激活函数输出之后
内容
- 0
在批标准化（BN）操作中，如果batch size大小为32，特征图深度为16，那么该BN层的总参数以及可训练参数个数分别为：
- 1
我们需要单独的训练、验证和测试集来评估机器学习性能。
- 2
使用sklearn中的留一法对大小为n的数据进行交叉验证时，需要(__)次模型训练。 A: n-2 B: n-1 C: n D: 1
- 3
在批标准化（BN）操作中，如果batch size大小为32，特征图深度为16，那么该BN层的总参数以及可训练参数个数分别为： A: 256，128 B: 128，64 C: 64，32 D: 32，16
- 4
神经网络的（ ）一般需要通过示例样本训练获得。 A: 权重 B: 阈值 C: 输出层的神经元个数 D: 输入层的神经元个数