对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中，通过误差后向传播来优化调整网络参数，请问下面哪个不是通过误差后向传播来优化的 （ ）。
A: 模型的隐藏层数目
B: 激活函数中的参数
C: 全连接层的链接权重
D: 卷积滤波矩阵中的参数
A: 模型的隐藏层数目
B: 激活函数中的参数
C: 全连接层的链接权重
D: 卷积滤波矩阵中的参数
举一反三
- 对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中，通过误差后向传播来优化调整网络参数，请问下面哪个不是通过误差后向传播来优化的 （ ）。 A: 模型的隐藏层数目 B: 激活函数中的参数 C: 全连接层的链接权重 D: 卷积滤波矩阵中的参数
- 中国大学MOOC: 对完成特定任务的卷积神经网络训练采用的是监督学习方法。在这个过程中，通过误差后向传播来优化调整网络参数，请问下面哪个参数不是通过误差后向传播来优化的（ ）
- 前馈神经网络和卷积神经网络的模型学习均是通过误差后向传播来优化模型参数，因此是一种监督学习方法。
- 在多层神经网络学习中，基于标注大数据，通过误差反馈来自动优化神经网络的参数。与多层前馈神经网络相比，卷积神经网络还需要自动优化的参数是（ ） A: 网络层数 B: 目标函数 C: 卷积矩阵（卷积核） D: 输入端和输出端的维数
- 在卷积网络中，卷积层的参数是卷积核和偏置，池化层没有参数，因此在误差反向传播时只要优化卷积层的参数。