梯度消失问题的认识哪个是正确的？
A: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新
B: 神经元处于Sigmoid等激活函数的饱和区工作
C: 隐藏层神经元的个数太多导致
D: 隐层的权重取值太小不容易导致梯度消失
A: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新
B: 神经元处于Sigmoid等激活函数的饱和区工作
C: 隐藏层神经元的个数太多导致
D: 隐层的权重取值太小不容易导致梯度消失
举一反三
- 梯度消失问题的认识哪个是正确的？ A: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太小而得不到更新 B: 神经元处于Sigmoid等激活函数的饱和区工作，梯度值偏小 C: 隐藏层神经元的个数太多导致 D: 隐层的权重取值大容易导致梯度消失
- 下面有关梯度爆炸问题的认识哪个是正确的？ A: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太大 B: 神经元处于Sigmoid等激活函数的饱和区工作 C: 隐藏层神经元的个数太多导致 D: 隐层的权重取值太大容易导致梯度爆炸
- 下面有关梯度爆炸问题的认识哪个是正确的？ A: 隐藏层太多时，可能导致靠近输入层的权重的偏导数太大 B: 神经元处于Sigmoid等激活函数的饱和区工作 C: 隐藏层神经元的个数太多导致 D: 隐层的权重取值太大容易导致梯度爆炸，需要进行截断处理
- 下面有关神经网络梯度消失说法错误的是（） A: 当神经网络的隐层增加时，就容易发生梯度消失问题，表现在靠近输入层的权重难以更新。 B: 网络梯度消失可能导致有些权重难以更新，导致网路训练失败。 C: 网络梯度消失可以通过改变隐层和输出层的神经元激活函数减弱。 D: 网络梯度消失可以通过减少隐层神经元的个数减弱。
- 有关激活函数错误的说法是？? 在修正权重的过程中，靠近多层神经网络输出层的神经元的权重修改一般比较小，容易出现梯度消失。|当神经元的输入比较大时，Sigmoid函数的偏导数比较小，因此容易产生梯度饱和。|激活函数会影响神经网络的训练过程，因此会影响神经网络模型的质量。|激活函数是神经元的输入和输出映射函数。