A、FPN特征$;$RPN结构$;$正负样本采样$;$Loss
答案:ACD
A、FPN特征$;$RPN结构$;$正负样本采样$;$Loss
答案:ACD
A. 使用L1可以得到稀疏的权值,使用L2可以得到平滑的权值$;$使用L1可以得到平滑的权值,使用L2可以得到平滑的权值$;$使用L1可以得到平滑的权值,使用L2可以得到稀疏的权值$;$使用L1可以得到稀疏的权值,使用L2可以得到稀疏的权值
A. 由于其特殊原因,无法分布式化$;$xgboost在代价函数里加入了正则项,用于控制模型的复杂度;$;$可以处理带有缺失值的样本$;$允许使用列抽样来减少过拟合
A. 函数的递归调用必须有一个明确的结束条件
$;$函数的递归调用每次进入更深一层递归时,问题规模相比上次递归都应有所减少
$;$函数的递归调用效率不高,递归层次过多会导致栈溢出(在计算机中,函数调用是通过栈(stack)这种数据结构实现的,每当进入一个函数调用,栈就会加一层栈帧,每当函数返回,栈就会减一层栈)
$;$函数的递归调用由于栈的大小是无限的,所以,递归调用的次数过多,也不会导致栈溢出
A. 0.5$;$n/(2n+1)$;$(n-1)/(2n+1)$;$(n+1)/(2n+1)
A. 纯度$;$精度$;$准确度$;$可信度
A. 语言$;$词汇$;$逻辑$;$语法
A. 对的$;$不知道$;$看情况$;$不对
A. ①③$;$①②③$;$②③$;$①②
A. MLE中加入了模型参数本身的概率分布$;$MLE认为模型参数本身概率是不均匀的$;$MLE体现了贝叶斯认为参数也是随机变量的观点$;$MLE是指找出一组参数,使得模型产生出观测数据的概率最大
A. BGD$;$SGD$;$Mini-Batch$;$dropout