卷积神经网络的一个特点是“参数共享”。下面关于“参数共享”的哪种说法是正确的？
A: 如果参数较多，则容易导致过拟合。而减少参数有助于避免过拟合
B: 参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C: 可以允许一个特征检测器在整个输入图像的不同位置使用，即可以把参数看成是卷积提取特征的方式，该方式与位置无关
D: 参数越多，才能避免过拟合，减少参数容易导致过拟合
A: 如果参数较多，则容易导致过拟合。而减少参数有助于避免过拟合
B: 参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C: 可以允许一个特征检测器在整个输入图像的不同位置使用，即可以把参数看成是卷积提取特征的方式，该方式与位置无关
D: 参数越多，才能避免过拟合，减少参数容易导致过拟合
举一反三
- “参数共享”是使用卷积网络的好处，关于参数共享，下列哪些说法是正确的？ A: 它减少了参数的总数，从而减少过拟合 B: 它允许在整个输入的多个不同位置使用同样的卷积参数 C: 它允许为一项任务学习的参数即使对于不同的任务也可以共享（迁移学习） D: 它使得连接变得稀疏
- 中国大学MOOC: 卷积神经网络的一个特点是“参数共享”。下面关于“参数共享”的哪种说法是正确的？
- 全连接神经网络处理图像最大的问题在于层间连接太多，造成参数太多，参数增多导致了计算速度慢，但不容易导致过拟合问题。
- 关于卷积神经网络，以下说法正确的是 A: LeNet-5是卷积神经网络 B: 池化层可以非常有效地缩小参数矩阵的尺寸，从而减少后面的卷积层或者全连接层中的参数数量。 C: 与全连接的神经网络相比，CNN应用于图像处理时可能会导致一个严重的参数数量的膨胀的问题。 D: 卷积层的特点是参数共享
- 减少神经网络过拟合的说法，以下哪些是正确的？ A: 通过正则化可以减少网络参数的取值或个数，一定程度可能减少过拟合 B: 通过增加数据扰动的数据增强增加了神经网络的过拟合 C: 利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合 D: 在神经网络训练过程中类似dropout减少神经元或相关链接权的数量