有关激活函数错误的说法是？

A、取Tanh或Sigmoid函数作为激活函数，做梯度下降时，偏导数是一堆小数在做乘法，容易导致网络梯度消失。

B、Tanh函数相对于Sigmoid函数来说梯度较小，收敛速度更快更慢

C、Sigmoid函数相对于Tanh函数来说更容易导致梯度消失

D、ReLU可以减少循环神经网络的梯度消失问题

A、隐含层或输出层具有激活函数。

B、输入层没有激活函数。

C、同一神经网络的激活函数必须是相同的。

D、同一神经网络的隐含层和输出层的激活函数可以不同。

A、Update和LateUpdate都是每帧执行一次，且Update先于LateUpdate执行

B、Awake先于Start执行

C、FixedUpdate是按照固定频率每秒执行若干次

D、在游戏对象未激活状态下不会执行Awake事件函数

A、两种激活函数的作用是相似的

B、Sigmoid函数决定什么值将要更新

C、Tanh函数对输入进行加工确定新的输出

D、两种激活函数共同确定有多少新信息可以流转下去

A、当神经网络的隐层增加时，就容易发生梯度消失问题，表现在靠近输入层的权重难以更新。

B、网络梯度消失可能导致有些权重难以更新，导致网路训练失败。

C、网络梯度消失可以通过改变隐层和输出层的神经元激活函数减弱。

D、网络梯度消失可以通过减少隐层神经元的个数减弱。

A、神经网络权重的初始化大小会对网络的训练结果影响。

B、使用增加训练次数的方法不一定可以减少代价函数的取值。

C、对神经网络训练的优化需要综合考虑激活函数、网络结构、权重更新方法等多种因素。

D、分析问题确定后，神经网络合适的结构就可以确定。

A、在使用梯度下降时，加上冲量项会减少训练的速度，但可能会减少陷入局部极小值的可能

B、与批量梯度下降法相比，使用小批量梯度下降法可以提高训练速度，但达到全局最优解可能需要更多的迭代次数

C、交叉熵也可以作为回归预测问题的损失函数

D、神经元的激活函数选择影响神经网络的训练过程和最终性能

A、与Sigmoid函数相比，Relu较不容易使网络产生梯度消失

B、用Sigmoid激活函数时，如果权重初始化较大时，容易出现梯度消失，Tanh函数可以大为改进

C、批标准化（batch normalization）使每一和隐层的输入具有相同的分布

D、当目标函数是凸函数时，梯度下降法实现简单，可到达最大目标值

A、感知器模型的激活函数可导，可以通过梯度下降求解损失函数最小值

B、损失函数用于衡量当前权重在整个数据集上的总误差

C、标准神经元每个输入端具有不同的权重

D、Sigmoid函数是连续可导的，同时具有“两极分化”的特点

A、在输入端，神经元只接受来自一个信号源的输入信息

B、感知器的信号处理分为四个部分：输入、汇总、激活、输出

C、输入为实例的特征向量，由激活函数计算输出，输出为1、-1两个值

D、汇总后的输入信号如果高于阈值，则产生“激活”信号，否则仍基本维持原有水平