关于ReLU和Sigmoid激活函数，在深度神经网络的中间层，建议使用ReLU。
A: 正确
B: 错误
A: 正确
B: 错误
A
举一反三
- 关于ReLU和Sigmoid激活函数，在深度神经网络的中间层，建议使用ReLU。
- 下面关于Relu和Sigmoid激活函数说法错误的是 A: Relu激活函数相比于Sigmoid激活函数计算更简单 B: Relu激活函数是一种线性的激活函数 C: Sigmoid激活很容易出现梯度消失的情况 D: Relu减少了参数间的相互依存关系，缓解了过拟合问题的发生
- 训练神经网络时，以下哪种激活函数最容易造成梯度消失: （ ） A: tanh B: sigmoid C: ReLU D: leaky ReLU
- 关于激活函数以下说法正确的是？（） A: sigmoid函数在深度神经网络中梯度反向传递时容易导致梯度消失 B: tanh函数对于规模比较大的深度网络计算速度比较慢 C: ReLU函数计算速度和收敛速度都比tanh/sigmoid快 D: ReLU函数的正区间存在梯度消失的问题
- 哪些方法可以减少深度学习的梯度消失问题？ A: 减少网络深度 B: 预训练+微调 C: 使用ReLU激活函数 D: 使用Sigmoid激活函数
内容
- 0
中国大学MOOC: 假设有一个使用ReLU激活函数(ReLU activation function)的神经网络，假如把ReLU激活替换为线性激活，那么这个神经网络能够模拟出异或函数吗？注意：使用ReLU激活函数的神经网络是能够模拟出异或函数。
- 1
常用的非线性激活函数有Sigmoid、tanh、ReLU等，适合于全连接层的激活函数是（ ） A: . Sigmoid B: tanh C: ReLU
- 2
相比sigmoid激活函数，ReLU激活函数有什么优势？
- 3
假设有一个使用ReLU激活函数(ReLUactivationfunction)的神经网络，假如把ReLU激活替换为线性激活，那么这个神经网络能够模拟出异或函数吗？注意：使用ReLU激活函数的神经网络是能够模拟出异或函数。 A: 可以 B: 不可以 C: 看情况而定 D: 其他都不正确
- 4
.假设我们有一个使用ReLU激活函数(ReLU activation function)的神经网络，假如我们把ReLU激活替换为线性激活，那么这个神经网络能够模拟出同或函数(XNOR function)吗？( )