下列哪个不属于初始化参数优化的方法：（ ）。 A: Xavier初始化 B: 均匀分布初始化 C: 高斯分布初始化 D: 丢弃率初始化

神经网络梯度消失、爆炸的问题，常见的解决方法有哪些（）。 A: Xavier和HE初始化 B: 梯度剪切、正则 C: 非饱和激活函数 D: Batchnorm

Xavier初始化是为了使得在经过多层网络后， 信号不被过分放大或过分减弱， 尽可能保持每个神经元的输入和输出的方差一致而提出的参数初始化方案

Xavier初始化是为了使得在经过多层网络后， 信号不被过分放大或过分减弱， 尽可能保持每个神经元的输入和输出的方差一致而提出的参数初始化方案 A: 正确 B: 错误

关于权值初始化描述错误的有： A: 初始化时让权值不相等，并不能保证网络能够正常的被训练。 B: 有效的初始化方法：使网络各层的激活值和局部梯度的方差在传播过程中尽量保持不同；以保持网络中正向和反向数据流动。 C: Xavier初始化目标：使网络各层的激活值和局部梯度的方差在传播过程中尽量保持一致，即寻找 w 的分布使得输出 y 与输入 z 的方差一致 D: He初始化替换掉了Xavier中效率低下的ReLU函数

Xavier初始化又称为Glorot初始化，它确保所有层的方差尽量相似，从而可以帮助减少梯度消失的问题，使得[br][/br]梯度在神经网络种可以传递得更深。但它出现于ReLU函数之前，因此对ReLU激活函数没有作用。

有关神经网络参数初始化的说法错误的是哪个？ A: 权重和偏置都可以取全零初始化 B: 使用正态分布初始化，但权重取太大或太小都会影响网络的训练 C: Xavier初始化可以减少梯度消失 D: 合适的权重初始化可以加快神经网络的训练和效果