人工智能训练流程通常包括数据准备、模型设计、确定评估指标、( )、模型测试和模型验证

在深度学习中，卷积神经网络CNN最常用于自然语言处理。

Transformer只能用于图像识别

循环神经网络(RNN)和长短期记忆网络(LSTM)比较适合图像处理。

AI云平台中已训练好的内置模型，只能直接使用，无法根据任务类型调整参数。

在机器学习中，模型预测一般是指用模型验证已有标签的测试数据集并计算性能评价指标。

F1-score值是准确率和召回率的加权调和平均。

ReLU函数能将线性模型输出的实数域映射到[0, 1]表示概率分布的有效实数空间，可用于多分类。

卷积神经网络中的Dropout层能够删除模型中的冗余数据，从而减少计算工作量。

针对Tensorflow（tf对象）中Keras序列模型，使用tf.keras.layers.Conv2D()构造卷积层，其中“activation”参数用于指定损失函数。

语句X_train.reshape(X_train.shape[0],28,28,1)能将原来训练样本集X_train中的每个样本的形状变换为三维张量。