如果深度学习神经网络出现了梯度消失或梯度爆炸问题我们常用的解决方法为（）。

A.随机欠采样

B.梯度剪切

C.正则化

D.使用Relu激活函数

A.正向传播更新参数

B.正向传播计算结果

C.反向传播更新参数

D.反向传播计算结果

A.增大学习率

B.减少网络深度(隐层个数)

C.skipconnection

D.减少通道数

A.增加网络深度

B.减少网络神经元

C.使用双向的网络结构

D.增加一个用来保存长期状态的单元

A.采用LSTM结构

B.减小学习率

C.选用LeakyReLU函数

D.正则化

A.先反向传播计算出误差，再正向传播计算梯度

B.只有反向传播计算梯度

C.只有反向传播计算输出结果

D.先正向传播计算出误差，再反向传播计算梯度

A.当优化问题的数值解接近局部最优值时，随着目标函数解的梯度接近或变为零，通过最终迭代获得的数值解可能仅使目标函数局部最优，而不是全局最优

B.在深度学习优化问题中，经常遇到的是梯度爆炸或梯度消失

C.优化问题中设置的学习率决定目标函数能否收敛到局部最小值，以及何时收敛到最小值

D.一般来说，小批量随机梯度下降比随机梯度下降和梯度下降的速度慢，收敛风险较大

A.容易过拟合

B.计算复杂度大

C.梯度容易消失

D.精度容易下降

A.存在梯度爆炸的问题

B.不是关于原点对称

C.计算exp比较耗时

D.存在梯度消失的问题

A.XOR问题

B.过拟合问题

C.数据不平衡问题

D.梯度消失问题

A.梯度消失

B.梯度爆炸

C.激活单元消失

D.鞍点