题目内容
（请给出正确答案）
[多选题]
假设在一个深度学习网络中，批量梯度下降花费了大量时间时来找到一组参数值，使成本函数小。以下哪些方法可以帮助找到值较小的参数值？（）
A.令所有权重值初始化为0
B.尝试调整学习率
C.尝试mini-batch梯度下降
D.尝试对权重进行更好的随机初始化
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.令所有权重值初始化为0
B.尝试调整学习率
C.尝试mini-batch梯度下降
D.尝试对权重进行更好的随机初始化
如果结果不匹配，请 联系老师 获取答案
更多“假设在一个深度学习网络中，批量梯度下降花费了大量时间时来找到…”相关的问题
A.随机梯度下降
B.设置Momentum
C.设置不同初始值
D.增大batchsize
A.当优化问题的数值解接近局部最优值时，随着目标函数解的梯度接近或变为零，通过最终迭代获得的数值解可能仅使目标函数局部最优，而不是全局最优
B.在深度学习优化问题中，经常遇到的是梯度爆炸或梯度消失
C.优化问题中设置的学习率决定目标函数能否收敛到局部最小值，以及何时收敛到最小值
D.一般来说，小批量随机梯度下降比随机梯度下降和梯度下降的速度慢，收敛风险较大
A.梯度方向是函数值下降最快方向
B.梯度下降算法是一种使得损失函数最小化的方法
C.梯度下降算法用来优化深度学习模型的参数
D.梯度反方向是函数值下降最快方向
A.这没关系。只要随机初始化权重，梯度下降不受权重大小的影响
B.这将导致tanh的输入也非常大，因此导致梯度也变大。因此，您必须将α设置得非常小以防止发散;这会减慢学习速度
C.这会导致tanh的输入也非常大，导致单位被“高度激活”，从而加快了学习速度，而权重必须从小数值开始
D.这将导致tanh的输入也很大，因此导致梯度接近于零，优化算法将因此变得缓慢
A.AlexNet的网络结构和LeNet非常类似，但更深更大，并且使用了层叠的卷积层来获取特征
B.GoogLeNet的主要贡献是实现了一个bottleneck模块，能够显著地减少网络中参数的数量
C.ResNet使用了特殊的跳跃链接，大量使用了批量归一化，并在最后使用了全连接层
D.VGGNet的主要贡献是展示出网络的深度是算法优良性能的关键部分
