1201.深度学习中,用于增加模型非线性能力的层次结构被称为()

题目解析： 题干：深度学习中，用于增加模型非线性能力的层次结构被称为（ ） 选项分析： A：卷积层 卷积层的主要功能是通过卷积操作提取输入数据的局部特征，例如在图像处理中提取边缘、纹理等特征。虽然卷积层在神经网络中非常重要，但它本身并不直接引入非线性。卷积操作是线性运算，若无后续非线性处理，整个网络仍为线性模型。 B：池化层 池化层的作用是对特征图进行下采样，减少参数数量和计算量，同时增强模型对平移等小变化的鲁棒性。常见的池化方式如最大池化、平均池化均为非可学习的操作，且不引入非线性变换。 C：激活层 激活层通过引入非线性激活函数（如ReLU、Sigmoid、Tanh等），使神经网络具备拟合复杂非线性函数的能力。正是这些激活函数打破了线性叠加的限制，使得深层网络能够学习复杂的模式。因此，**激活层是真正用于增加模型非线性能力的关键结构**。 D：全连接层 全连接层将前一层的所有神经元与当前层的所有神经元相连，常用于分类任务的最后阶段进行特征整合。其本质是线性变换，同样需要依赖激活函数来引入非线性。 核心知识点讲解： 在深度学习中，无论网络结构如何复杂，如果每一层都是线性变换，则整个网络等价于一个单层线性模型。为了使神经网络具备强大的表达能力，必须引入非线性因素。这一任务由**激活函数**完成，通常在每个线性变换层（如全连接层或卷积层）之后添加激活层。 因此，真正“用于增加模型非线性能力”的层次结构是**激活层**。 结论： 正确答案应为：**C：激活层** 原提供的答案“A”有误。卷积层虽重要，但其本身不提供非线性能力，非线性来源于随后的激活函数。