我们想要训练一个ML模型，样本数量有100万个，特征维度是5000，面对如此大数据，有效地训练模型可以采取的措施是（）。

LSTM是一个非常经典的面向序列的模型，可以对自然语言句子或是其他时序信号进行建模，是一种循环神经网络。

利用one-hot表示一个向量，使用一个词表长的向量表示一个单词，被表示单词对应的位置为0，其他单词对应的位置均为1

自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法

ResNet从改善网络退化现象角度改进了之前的图像分类网络

GoogLeNet从增加网络深度角度改进了之前的图像分类网络

VGG从增加网络宽度角度改进了之前的图像分类网络

Inception块的设计思想：多通路(multi-path)设计形式，使用不同大小的卷积核提取图像特征，并附加最大池化操作，将这四个输出层沿着通道这一维度进行拼接。最终输出特征图将包含不同大小的卷积核提取到的特征

VGG的主要思想是通过重复使用简单的基础块来构建深度模型为深度神经网络的构建提供了方向

VGG模型于2014年被提出，是最流行的RNN模型之一，在ImageNet比赛中，达到了Top5错误率7.3%

LeNet是由YannLeCun等人于1998年提出的，是人们第一次将卷积神经网络应用到图像分类任务上，在手写数字识别任务上取得了巨大成功