下列关于函数的极限、连续、可导、解析，说法正确的有（）。

强化学习的回报值一个重要特点是具有()。

马尔可夫性质强调在每一个动作状态序列中,下一个状态与()有关。

在强化学习过程中,()表示随机地采取某个动作,以便于尝试各种结果;()表示采取当前认为最优的动作,以便于进一步优化评估当前认为最优的动作的值。

在ε-greedy策略当中,ε的值越大,表示采用随机的一个动作的概率越(),采用当前Q函数值最大的动作的概率越()。

在强化学习的过程中,学习率α越大,表示采用新的尝试得到的结果比例越(),保持旧的结果的比例越()。

()有跟环境进行交互,从反馈当中进行不断的学习的过程。

关于MNIST,下列说法错误的是()。

前馈型神经网络的中各个层之间是()的,反馈型神经网络中各个层之间是()的。

手写数字识别的例子中,输入的图片为长和宽都是28像素的图片,输出判断数字0-9的概率。要构建前馈型神经网络去解决这个问题,输入层是()维的,输出层是()维的。

()是用来评估神经网络的计算模型对样本的预测值和真实值之间的误差大小。