关于L1正则和L2正则下面的说法正确的是（）。

A.L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点

B.L2正则化标识各个参数的平方的和的开方值

C.L2正则化有个名称叫“Lassoregularization”

D.L1范数会使权值稀疏

A.L2正则化能防止过拟合，提升模型的泛化能力，但L1做不到这点

B.L2正则化技术又称为LassoRegularization

C.L1正则化得到的解更加稀疏

D.L2正则化得到的解更加稀疏

A.L1正则化可以用于特征选择

B.L1正则化和L2正则化可以减少过拟合

C.Lp正则化不能减少过拟合

D.L1正则化和L2正则化可以看成是损失函数的惩罚项

A.L1范数和L2范数都有助于降低过拟合的风险

B.基于L1正则化的学习方法是一种典型的嵌入式特征选择方法

C.L1范数正则化更容易得到“稀疏”解

D.L2范数正则化更容易得到“稀疏”解

A.L1范数正则化有助于降低过拟合风险

B.L2范数正则化有助于降低过拟合风险

C.L1范数正则化比L2范数正则化更有易于获得稀疏解

D.L2范数正则化比L1范数正则化更有易于获得稀疏解

A.使用L1可以得到稀疏的权值，使用L2可以得到平滑的权值

B.使用L1可以得到平滑的权值，使用L2可以得到平滑的权值

C.使用L1可以得到平滑的权值，使用L2可以得到稀疏的权值

D.使用L1可以得到稀疏的权值，使用L2可以得到稀疏的权值

A.提前停止训练

B.Dropout

C.延迟停止训练

D.L2，L1正则

A.Dropout背后的思想其实就是把DNN当做一个集成模型来训练，之后取所有值的平均值，而不只是训练单个DNN

B.DNN网络将Dropout率设置为p，也就是说，一个神经元被保留的概率是1-p。当一个神经元被丢弃时，无论输入或者相关的参数是什么，它的输出值就会被设置为0

C.丢弃的神经元在训练阶段，对BP算法的前向和后向阶段都没有贡献。因为这个原因，所以每一次训练，它都像是在训练一个新的网络

D.Dropout方法通常和L2正则化或者其他参数约束技术（比如MaxNorm）一起使用，来防止神经网络的过拟合

A.增加学习率

B.L2正则化

C.dropout

D.提前终止

A.当λ增大时，偏差减小，方差减小

B.当λ增大时，偏差减小，方差增大

C.当λ增大时，偏差增大，方差减小

D.当λ增大时，偏差增大，方差增大

A.控制网络层数可以一定程度上减少梯度消失的问题

B.可能采用了不合适的激活函数

C.剪切梯度，正则化能防止梯度消散

D.使用残差网络可以减少梯度消散的问题