下列关于神经网络的说法：①增加神经网络层数，可能会增加测试数据集的分类错误率；②减少神经网络层数，总是能减小测试数据集的分类错误率；③增加神经网络层数，总是能减小训练数据集的分类错误率，正确的是（）。

A.隐藏层层数增加，模型能力增加

B.Dropout的比例增加，模型能力增加

C.学习率增加，模型能力增加

D.都不正确

A.增加网络层数，可能会增加测试集分类错误率

B.增加网络层数，一定会增加训练集分类错误率

C.减少网络层数，可能会减少测试集分类错误率

D.减少网络层数，一定会减少训练集分类错误率

A.神经网络的工作原理与生物体内的神经元是完全一样的

B.训练神经网络的实质是对复杂函数求参数最优解的过程

C.增加神经网络的层数和增加每层的神经元个数的效果是一样的

D.神经网络只能进行二分类，不能进行更多种类的分类了

A.Boosting

B.复杂模型（非线性模型、增加神经网络中的层）

C.更多特征

A.一种竞争学习型的无监督神经网络

B.将高维输入数据映射到低维空间，保持输入数据在高维空间的拓扑结构

C.SOM寻优目标为每个输出神经元找到合适的权重

D.输出层神经元以矩阵方式排列在二维空间

A.隐藏层层数增加

B.Dropout比例增加

C.增大学习率

D.增加训练轮数

A.低错误率

B.可解释性好

C.训练时间长

D.结构较复杂

A.CNN中的全连接层常用softmax作为激活函数。

B.CNN中的池化层用于降低特征图维数，以避免过拟合。

C.CNN由卷积层、池化层和全连接层组成，常用于处理与图像有关的问题。

D.由于卷积核的大小一般是3*3或更大，因此卷积层得到的特征图像一定比原图像小。

A.神经网络对训练数据中的噪声非常鲁棒

B.可以处理冗余特征

C.训练ANN是一个很耗时的过程

D.至少含有一个隐藏层的多层神经网络

A.RNN引入了循环的概念

B.LSTM可以防止梯度消失或者爆炸

C.GRU是LSTM的变体

D.RNN、LSTM、GRU是同一神经网络的不同说法，没有区别

A.增加训练集量

B.减少神经网络隐藏层节点数

C.删除稀疏的特征

D.SVM算法中使用高斯核/RBF核代替线性核