题目内容
（请给出正确答案）
A.少于2s
B.大于2s
C.仍是2s
D.说不准
如果结果不匹配，请 联系老师 获取答案
更多“考虑以下问题：假设我们有一个5层的神经网络，这个神经网络在使…”相关的问题
A.除去神经网络中的最后一层，冻结所有层然后重新训练
B.对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层
C.使用新的数据集重新训练模型
D.所有答案均不对
A.除去神经网络中的最后一层，冻结所有层然后重新训练
B.对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层
C.使用新的数据集重新训练模型
D.所有答案均不对
假设我们有一个使用ReLU激活函数（ReLU activation function）的神经网络，假如我们把ReLU激活替换为线性激活，那么这个神经网络能够模拟出同或函数（XNOR function）吗？（）
A.能
B.依情况而定
C.不一定
D.不能
A.除去神经网络中的最后一层，冻结所有层然后重新训练
B.对神经网络中的最后几层进行微调，同时将最后一层（分类层）更改为回归层
C.使用新的数据集重新训练模型
D.所有答案均不对
考虑某个具体问题时，你可能只有少量数据来解决这个问题。不过幸运的是你有一个类似问题已经预先训练好的神经网络。可以用下面哪种方法来利用这个预先训练好的网络（）。
A.把除了最后一层外所有的层都冻结，重新训练最后一层
B.对新数据重新训练整个模型
C.只对最后几层进行调参（finetune）
D.对每一层模型进行评估，选择其中的少数来用
A.将数据分组部署在不同GPU上进行训练能提高深度神经网络的训练速度。
B.TensorFlow使用GPU训练好的模型，在执行推断任务时，也必须在GPU上运行。
C.将模型中的浮点数精度降低，例如使用float16代替float32，可以压缩训练好的模型的大小。
D.GPU所配置的显存的大小，对于在该GPU上训练的深度神经网络的复杂度、训练数据的批次规模等，都是一个无法忽视的影响因素
A.对的
B.不知道
C.看情况
D.不对
A.9000001
B.9000100
C.27000001
D.27000100
