A.構(gòu)建相似度矩陣
B.計算拉普拉斯矩陣
C.對拉普拉斯矩陣進行特征分解
D.使用K-means 對特征向量進行聚類
您可能感興趣的試卷
你可能感興趣的試題
A.沒有影響
B.可能導(dǎo)致局部最優(yōu)解
C.一定導(dǎo)致全局最優(yōu)解
D.使算法收斂速度更快
A.因為LSTM 能夠更好地捕獲長期依賴關(guān)系
B.因為LSTM 的計算速度更快
C.因為LSTM 的模型結(jié)構(gòu)更簡單
D.因為LSTM 不需要反向傳播算法
A.輸入層之前的層
B.輸出層之前的層
C.輸入層和輸出層之間的層
D.輸出層之后的層
A.通過跳躍連接緩解梯度消失問題
B.通過增加深度提高性能
C.通過減少參數(shù)數(shù)量防止過擬合
D.通過改變激活函數(shù)提高性能
A.BERT 考慮了單詞之間的順序關(guān)系。
B.ERT 是一個靜態(tài)的詞嵌入模型。
C.BERT 不能用于下游任務(wù)。
D.BERT 不依賴于預(yù)訓(xùn)練階段。
最新試題
在深度學習模型訓(xùn)練中,"早停法"(EarlyStopping)策略的應(yīng)用目的是什么()?
在自然語言處理任務(wù)中,哪些技術(shù)適用于提升實體識別和文本理解的準確性和效率()?
反向傳播算法的主要目的是什么()?
反向傳播算法和梯度下降算法在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的關(guān)系是什么()?
數(shù)量歸約中無參數(shù)的方法一般使用()。
在深度學習模型訓(xùn)練中,哪些技術(shù)有助于防止過擬合并提高模型在多任務(wù)學習上的表現(xiàn)()?
圖像數(shù)據(jù)標注可以用于()算法中。
在深度學習中,哪些方法可以用于優(yōu)化模型訓(xùn)練過程并提高模型在特定任務(wù)上的表現(xiàn)()?
反向傳播算法和梯度下降算法在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的主要區(qū)別是什么()?
反向傳播算法的基本原理是基于什么()?