如果在训练一个神经网络时，你留意到一些节点的权重很低，并且对模型没有多大贡献，你可以采取什么方法来解决这个问题？
L1 正则化
L2 正则化
Dropout
集成学习
如果一个神经网络有三层大小 (2, 3, 1) 而没有偏置单元，那么我们需要训练多少个权重？
3
6
9
12
以下哪种激活函数更可能导致渐变的梯度？
Sigmoid
Tanh
Relu
以上全不是
你已为分类任务设计了CNN架构，并且你注意到你的模型过拟合。 以下哪一个选项最有可能减少过拟合？
增加卷积层的数量
降低每个卷积层中的过滤器大小
减少每个卷积层中的过滤器数量
降低每个最大池层中的内核大小
确保 CNN分类器能检测在图像数据中各种大小和不同位置的对象的最佳方案是什么？
添加更多最大池化层。
添加 dropout，并从所有卷积图层中删除 'relu' 激活函数。
通过添加包含来自更多类别的对象的图像来扩展训练和验证数据。
通过增强 (augmentation) 来扩展现有的训练和验证数据。