花了太多时间在前面深究代码上了，后面很多概念弄得有点一知半解。
一个是用来训练的样本和测试的样本的分布不一样，比如拿照片训练，用卡通图片来检验；
下列哪一项不是构建Vocab类所必须的步骤： 词频统计，清洗低频词 句子长度统计 构建索引到token的映射 构建token到索引的映射 答案解释 句子长度统计与构建字典不相关 总结句子长度和字典是没有关系的
在LSTM模型的初始化中，下列不需要初始化的参数是？ 每个循环单元中的记忆细胞和循环单元的值 第0个循环单元的记忆细胞和循环单元的值 门控单元中用于计算遗忘门的权重与偏差 用于计算输出的权重与偏差 答案解释 每个循环单元中的记忆细胞和循环单元的值为LSTM模型中的隐状态，而非参数，因此不需要初始化。 总结第0个循环单元是需要初始化的
在通过卷积层或池化层后，输出的高和宽可能减小，为了尽可能保留输入的特征，我们可以在减小高宽的同时增加通道数 选项1：错误，参考视频1分钟左右对全连接层局限性的介绍
选项2：正确，参考LeNet中的池化层
选项3：正确，参考视频1分30左右对卷积层优势的介绍
选项4：正确，参考视频3分钟左右的介绍 关于AlexNet描述错误的是
用Dropout来控制全连接层的模型复杂度
包含有5层卷积和2层全连接隐藏层，以及1个全连接输出层
将LeNet中的ReLU激活函数改成了sigmoid激活函数。
首次证明了学习到的特征可以超越⼿⼯设计的特征 选项1：正确，参考AlexNet的特征。
选项2：正确，参考AlexNet的特征。
选项3：错误，应该是将LeNet中的sigmoid激活函数改成了ReLU激活函数。
选项4：正确，在2012 ImageNet竞赛夺魁。 关于VGG描述正确的是
使⽤全局平均池化层对每个通道中所有元素求平均并直接⽤于分类。
通过不同窗口形状的卷积层和最⼤池化层来并⾏抽取信息。
与AlexNet相比，难以灵活地改变模型结构。
通过重复使⽤简单的基础块来构建深度模型。 选项1：错误，描述的是NiN。
选项2：错误，描述的是GoogLeNet。
选项3：错误，VGG相对AlexNet网络表达能力更强。
选项4：正确，参考VGG结构。 在LSTM模型的初始化中，下列不需要初始化的参数是？
每个循环单元中的记忆细胞和循环单元的值
第0个循环单元的记忆细胞和循环单元的值
门控单元中用于计算遗忘门的权重与偏差
用于计算输出的权重与偏差 每个循环单元中的记忆细胞和循环单元的值为LSTM模型中的隐状态，而非参数，因此不需要初始化。