对Boosting模型的描述错误的是（）

A.采用串行训练模式

B.基础分类器通常应采用强分类器

C.通过改变训练集进行有针对性的学习

D.基础分类器采用少数服从多数原则进行集成

A.强可学习和弱可学习是等价的，即如果已经发现了“弱学习算法”，可将其提升(boosting)为“强学习算法”

B.强可学习模型指学习模型仅能完成若干部分样本识别与分类，其精度略高于随机猜测

C.强可学习模型指学习模型能够以较高精度对绝大多数样本完成识别分类任务

D.在概率近似正确背景下，有“强可学习模型”和“弱可学习模型”

A.可将强学习器降为弱学习器

B.从初始训练集训练基学习器

C.对训练样本分布进行调整

D.做错的训练样本多次训练

A.可将强学习器降为弱学习器$

B.$ 从初始训练集训练基学习器$

C.$ 对训练样本分布进行调整$

D.$ 做错的训练样本多次训练

A.Stacking

B.Bagging

C.Boosting

D.都不可以

A.网中网(NIN)结构用全连接的多层感知机去代替传统的卷积，提升了模型的计算性能，但计算量显著增加

B.网络层数越多，学习率可设置偏大，否则容易引起梯度消失

C.VGG只要很少的迭代次数就会收敛，这是因为小的过滤尺寸起到了隐式的正则化的作用

D.Bagging中每个训练集互不相关，而Boosting中训练集要在上一轮的结果上进行调整，所以不能并行计算