以下关于神经网络的说法错误的是（）。

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.通过正则化可以减少网络参数的个数，一定程度可能增加过拟合

B.利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合

C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

D.通过增加数据扰动的数据增强减少了神经网络的过拟合

A.卷积神经网络主要用于目标识别、图像分割等方面

B.循环神经网络主要用于处理序列数据

C.长短时记忆神经网络主要用于处理序列数据

D.长短时记忆神经网络是和循环神经网络完全不同的一种新型神经网络

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.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.能处理可变长度的序列

B.基于图展开思想

C.基于参数共享思想

D.循环神经网络不可应用于图像数据

A.BP神经网络的训练过程中，先进行后向传播再进行前向传播

B.通过损失函数对后向传播结果进行判定

C.通过前向传播过程对权重参数进行修正

D.训练过程中权值参数的运算量很大，一般采用梯度下降法

A.神经网络模型是许多逻辑单元按照不同层级组织起来的网络，每一层的输出变量都是下一层的输入变量

B.神经网络模型建立在多神经元之上

C.神经网络模型中，无中间层的神经元模型的计算可用来表示逻辑运算

D.神经网络模型一定可以解决所有分类问题

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