关于L1、L2正则化下列说法正确的是()。
A.L2正则化能防止过拟合,提升模型的泛化能力,但L1做不到这点
B.L2正则化技术又称为LassoRegularization
C.L1正则化得到的解更加稀疏
D.L2正则化得到的解更加稀疏
A.L2正则化能防止过拟合,提升模型的泛化能力,但L1做不到这点
B.L2正则化技术又称为LassoRegularization
C.L1正则化得到的解更加稀疏
D.L2正则化得到的解更加稀疏
A.L1范数正则化有助于降低过拟合风险
B.L2范数正则化有助于降低过拟合风险
C.L1范数正则化比L2范数正则化更有易于获得稀疏解
D.L2范数正则化比L1范数正则化更有易于获得稀疏解
A.使用L1可以得到稀疏的权值,使用L2可以得到平滑的权值
B.使用L1可以得到平滑的权值,使用L2可以得到平滑的权值
C.使用L1可以得到平滑的权值,使用L2可以得到稀疏的权值
D.使用L1可以得到稀疏的权值,使用L2可以得到稀疏的权值
A.仅拥有同区域的邻居
B.仅知晓本level区域的信息
C.观察L1LSP,寻找最近的L1/L2
D.会安装一条通向最近L1/L2路由器的缺省路径
A.骨干L2区域必须是连续的
B.知晓level-2拓扑的信息
C.拥有关于哪些L1目标可达,以及如何通过L2拓扑达到它的信息
D.可能拥有其他区域的邻居
A.L1范数:为x向量各个元素绝对值之和。
B.L2范数:为x向量各个元素平方和的1/2次方,L2范数又称Euclidean范数或Frobenius范数
C.L1范数可以使权值稀疏,方便特征提取
D.L2范数可以防止过拟合,提升模型的泛化能力。
A.4 cycle to local L1
B.9 cycle to local L2
C.25~33 cycle to local partition L3
D.16- 25 cycle to remote partition L3
A.Dropout背后的思想其实就是把DNN当做一个集成模型来训练,之后取所有值的平均值,而不只是训练单个DNN
B.DNN网络将Dropout率设置为p,也就是说,一个神经元被保留的概率是1-p。当一个神经元被丢弃时,无论输入或者相关的参数是什么,它的输出值就会被设置为0
C.丢弃的神经元在训练阶段,对BP算法的前向和后向阶段都没有贡献。因为这个原因,所以每一次训练,它都像是在训练一个新的网络
D.Dropout方法通常和L2正则化或者其他参数约束技术(比如MaxNorm)一起使用,来防止神经网络的过拟合
A.L1不亮、L2不亮
B.L1亮、L2不亮
C.L1不亮、L2亮
D.L1,L2都亮
A.P码目前只被调制在L1载波上,C/A码被分别调制在L1和L2载波上
B.C/A码及P码被分别调制在L1和L2载波上
C.C/A码目前只被调制在L1载波上,P码被分别调制在L1和L2载波上
D.C/A码及P码未被调整在L1和L2载波上