如果结果不匹配，请 
更多“以下哪项是神经网络中的超参数?()”相关的问题
A.通过正则化可以减少网络参数的个数，一定程度可能增加过拟合
B.利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合
C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量
D.通过增加数据扰动的数据增强减少了神经网络的过拟合
A.BP神经网络是前馈神经网络
B.BP神经网络的参数权重值是由反向传播学习算法进行调整的
C.BP神经网络模型拓扑结构包括输入层、隐层和输出层
D.BP神经网络利用激活函数来实现从输出到输入的非线性映射
A.BP神经网络的训练过程中，先进行后向传播再进行前向传播
B.通过损失函数对后向传播结果进行判定
C.通过前向传播过程对权重参数进行修正
D.训练过程中权值参数的运算量很大，一般采用梯度下降法
A.每一次Epoch都会对之前的参数进行调整，迭代次数越多，损失函数一般越小
B.训练好的神经网络模型存储于一定结构的神经元之间的权重和神经元的偏置中
C.在训练神经网络过程中，参数不断调整，其调整的依据是基于损失函数不断减少
D.模型参数量越多越好，但没有固定的对应规则
A.卷积滤波矩阵中的参数
B.全连接层的链接权重
C.激活函数中的参数
D.模型的隐藏层数目
