下载APP
【单选题】
梯度下降算法中，损失函数曲面上轨迹最混乱的算法是以下哪种算法?
A.
SGD
B.
BGD
C.
MGD
D.
MBGD Answer:A
参考答案：
参考解析：
刷刷题刷刷变学霸
举一反三
【单选题】下列有关田口质量损失函数下列描述不正确的是()。
A.
质量特性偏离目标值越远，顾客成本越大
B.
产品合格，顾客成本一样
C.
质量损失随着质量特性偏离目标值的大小而变化
D.
不是只要合格就不会造成损失
【判断题】有许多种梯度下降算法，其中两种最出名的方法是l-BFGS和SGD。l-BFGS根据二阶梯度下降而SGD是根据一阶梯度下降的。只有在数据很稀疏的场景中，会更加偏向于使用l-BFGS而不是SGD
A.
正确
B.
错误
【单选题】0/1损失函数为什么不能用于定义模型的损失函数
A.
这种损失函数，计算复杂度太高。
B.
这种损失函数无法对模型参数求导。
C.
这种损失函数会增大模型的经验风险。
D.
这种损失函数属于离散函数。
【单选题】梯度下降算法的正确步骤是什么? 1.计算预测值和真实值之间的误差 2.迭代跟新,直到找到最佳权重 3.把输入传入网络,得到输出值 4.初始化随机权重和偏差 5.对每一个产生误差的神经元,改变相应的(权重)值以减小误差
A.
4, 3, 1, 5, 2
B.
3, 2, 1, 5, 4
C.
5, 4, 3, 2, 1
D.
1, 2, 3, 4, 5
【单选题】某网上书店成若当天12：00送货，送货时间超过承诺时间2小时，客户就难以接受，如果没有按承诺的目标送货时间送货，公司就会给予客户一定赔偿，罚款是10元，那么损失函数式中的k值为（ ）。
A.
1
B.
1.5
C.
2
D.
2.5
【单选题】梯度爆炸问题是指在训练深度神经网络的时候，梯度变得过大而损失函数变为无穷。在RNN中，哪种方法可以较好地处理梯度爆炸问题（）
A.
用改良的网络结构
B.
梯度裁剪
C.
Dropout
D.
以上都不是
相关题目：
【单选题】下列有关田口质量损失函数下列描述不正确的是()。
A.
质量特性偏离目标值越远，顾客成本越大
B.
产品合格，顾客成本一样
C.
质量损失随着质量特性偏离目标值的大小而变化
D.
不是只要合格就不会造成损失
【单选题】下面选择项中，______是二元交叉熵损失函数。
A.
B.
C.
D.
【多选题】标准损失函数有以下哪几种？（）
A.
平方损失
B.
线性损失
C.
0-1损失
D.
对数损失
【单选题】0/1损失函数为什么不能用于定义模型的损失函数
A.
这种损失函数，计算复杂度太高。
B.
这种损失函数无法对模型参数求导。
C.
这种损失函数会增大模型的经验风险。
D.
这种损失函数属于离散函数。
【单选题】在Logistic回归中，一个反例被成功预测，那么该实例的损失函数值为（ ）。
A.
某个负数
B.
0
C.
某个正数
D.
不确定
【判断题】1 在二次损失函数下,未知参数的贝叶斯估计为其后验期望. ( )
A.
正确
B.
错误
【单选题】梯度下降算法的正确步骤是什么? 1.计算预测值和真实值之间的误差 2.迭代跟新,直到找到最佳权重 3.把输入传入网络,得到输出值 4.初始化随机权重和偏差 5.对每一个产生误差的神经元,改变相应的(权重)值以减小误差
A.
4, 3, 1, 5, 2
B.
3, 2, 1, 5, 4
C.
5, 4, 3, 2, 1
D.
1, 2, 3, 4, 5
【单选题】4. 根据田口玄一提出的质量损失函数，合格品和不合格品都有质量损失。
A.
正确
B.
错误
【单选题】不是随机梯度下降的特点是（）
A.
批量数值选取为1
B.
学习率逐渐减小
C.
可以达到最小值
D.
在最小值附近波动
【判断题】负对数似然度损失函数和欧式距离损失函数都是用于计算像素区域的修复
A.
正确
B.
错误
【判断题】Ada Boosting最小化的目标函数类型属于指数损失函数。
A.
正确
B.
错误
【单选题】绝对损失函数下的贝叶斯估计量是后验分布的众数.
A.
正确
B.
错误
【单选题】梯度爆炸问题是指在训练深度神经网络的时候，梯度变得过大而损失函数变为无穷。在RNN中，哪种方法可以较好地处理梯度爆炸问题（）
A.
用改良的网络结构
B.
梯度裁剪
C.
Dropout
D.
以上都不是
【判断题】当目标函数是凸函数时,梯度下降算法的解一般就是局部最优解
A.
正确
B.
错误
【单选题】支持向量机SVM算法采用的损失函数是（ ）
A.
都可以
B.
铰链损失函数
C.
指数损失函数
D.
Logistic损失函数
【单选题】以下综合表现最好的一种梯度下降算法是：（ ）。
A.
线性梯度下降
B.
随机梯度下降
C.
批量梯度下降
D.
小批量梯度下降
【多选题】损失函数包括
A.
平方差损失函数
B.
交叉熵损失函数
C.
绝对值损失函数
D.
对数损失函数