以下哪个不是batch normalization的优点？
A: 减少梯度消失
B: 提高网络训练速度
C: 减少过拟合
D: 梯度曲面更加光滑
A: 减少梯度消失
B: 提高网络训练速度
C: 减少过拟合
D: 梯度曲面更加光滑
举一反三
- 以下哪些方法有助于解决模型训练过程中的过拟合问题？ A: 正则化 B: Dropout C: Batch Normalization D: 提前终止训练 E: 梯度下降
- 下面哪些是Batch normalization的作用？ A: 增加训练时间 B: 可以使用更大的学习率，加快深层网络训练 C: 减少梯度消失和梯度爆炸 D: 使深层网络对隐层参数初始化不敏感
- 以下说法正确的是哪些？ A: 使用ReLU做为激活函数，可有效地防止梯度爆炸 B: 使用Sigmoid做为激活函数，较容易出现梯度消失 C: 使用Batch Normalization层，可有效地防止梯度爆炸 D: 使用参数weight decay，在一程度上可防止模型过拟合
- 以下哪些方法可以减少深度神经网络模型的过拟合问题？ A: Dropout B: BN（batch normalization） C: Residual结构 D: 损失函数的正则项
- 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