有关激活函数错误的说法是？? 在修正权重的过程中，靠近多层神经网络输出层的神经元的权重修改一般比较小，容易出现梯度消失。|当神经元的输入比较大时，Sigmoid函数的偏导数比较小，因此容易产生梯度饱和。|激活函数会影响神经网络的训练过程，因此会影响神经网络模型的质量。|激活函数是神经元的输入和输出映射函数。
举一反三
- 有关激活函数错误的说法是？ A: 激活函数是神经元的输入和输出映射函数。 B: 激活函数会影响神经网络的训练过程，因此会影响神经网络模型的质量。 C: 在修正权重的过程中，靠近多层神经网络输出层的神经元的权重修改一般比较小，容易出现梯度消失。 D: 当神经元的输入比较大时，Sigmoid函数的偏导数比较小，因此容易产生梯度饱和。
- 有关激活函数错误的说法是？ A: 激活函数是神经元的输入和输出映射函数。 B: 激活函数会影响神经网络的训练过程，因此会影响神经网络模型的质量。 C: 在修正权重的过程中，靠近多层神经网络输出层的神经元的权重修改一般比较小，容易出现梯度消失。 D: 当神经元的输入比较大时，Sigmoid函数的偏导数比较小，因此容易产生梯度消失。
- 下面有关神经网络梯度消失说法错误的是（） A: 当神经网络的隐层增加时，就容易发生梯度消失问题，表现在靠近输入层的权重难以更新。 B: 网络梯度消失可能导致有些权重难以更新，导致网路训练失败。 C: 网络梯度消失可以通过改变隐层和输出层的神经元激活函数减弱。 D: 网络梯度消失可以通过减少隐层神经元的个数减弱。
- 有关循环神经网络激活函数的说法，以下哪个是错误的？ A: 取Tanh或Sigmoid函数作为激活函数，做梯度下降时，偏导数是一堆小数在做乘法，容易导致网络梯度消失。 B: Tanh函数相对于Sigmoid函数来说梯度较小，收敛速度更快更慢 C: Sigmoid函数相对于Tanh函数来说更容易导致梯度消失 D: ReLU可以减少循环神经网络的梯度消失问题
- 人工神经网络（ANN）是一种模仿生物神经网络，其中的_____扮演了生物神经模型中突触的角色，用于调节一个神经元对另一个神经元的影响程度。 A: 输入 B: 输出 C: 求和 与激活函数 D: 权重