题目内容
（请给出正确答案）
[单选题]
下列关于L1正则化与L2正则化描述错误的是（）。
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
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.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
如果结果不匹配，请 联系老师 获取答案
更多“下列关于L1正则化与L2正则化描述错误的是（）。”相关的问题
A.若正则化参数λ过大，可能会导致出现欠拟合现象
B.若λ的值太大，则梯度下降可能不收敛
C.取一个合理的λ值，可以更好的应用正则化
D.如果令λ的值很大的话，为了使CostFunction尽可能的小，所有θ的值（不包括θ0）都会在一定程度上减小
A.数据集合扩充
B.L1和L3正则化
C.提前停止训练
D.使用Dropout方法
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.Dropout
B.分批归一化（BatchNormalization）
C.正则化（regularization）
D.都可以
