为什么不能用多层全连接网络解决命名实体识别问题：

当在卷积神经网络中加入池化层(pooling layer)时，变换的不变性会被保留，是吗？

输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为？

神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入，对输入进行处理后给出一个输出。请问下列关于神经元的描述中，哪一项是正确的？

（ ）是一种基于树结构进行决策的算法。

若网络结构已知，即属性间的依赖关系已知，则贝叶斯网的学习过程相对简单，只需通过对训练样本"计数"。

当训练数据近似线性可分时，通过硬间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为硬间隔支持向量机。

XGBoost使用了一阶和二阶偏导，二阶导数有利于梯度下降的更快更准。使用泰勒展开取得二阶倒数形式， 可以在不选定损失函数具体形式的情况下用于算法优化分析。

k近邻法对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。

感知机学习算法可以直观解释为：当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整模型权重，使分离超平面向该误分类点的一侧移动，以减少该误分类点与超平面之间的距离，直至超平面越过该误分类点使其被正确分类。

若使用深度学习处理语义分类任务，在处理变长数据时，我们通常采取（）。