神经网络中各个隐藏层能提取出和人类看到的一样的特征。()

循环神经网络中，假设输入是一个32*32*3的图像，3表示RGB三通道，卷积核的结构是5*5*3，共6个不同的卷积核，一个卷积核产生一个feature map，则输出的feature map 矩阵的结构是（）。

循环神经网络(recurrent neural network，RNN)，是一种用于处理具有类似( )的数据的神经网络。

卷积神经网络(convolu-tional neural network，CNN)，是一种专门用来处理具有类似( )的数据的神经网络。

Transformer中抛弃了传统的CNN和RNN，整个网络结构完全是由()机制组成。

在RNN中，目前使用最广泛的模型便是（）模型，该模型能够更好地建模长序列。

SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的（）无关。

机器执行学习的框架体现了其学习的本质是（）

模型有效的基本条件是能够（）已知的样本

（）对隐含层的输入进行归一化，更好的尺度不变性（应对内部协变量偏移），更好的优化地形（输入处于不饱和区域，从而让梯度变大）

为了将特征转变成Embedding表示，所有特征均需转变成（）