卷积神经网络中的卷积层实现特征提取，池化层实现特征降维，全连接层为分类器。

判断题卷积神经网络中的卷积层实现特征提取，池化层实现特征降维，全连接层为分类器。

1.判断题在BP算法中，前一层的学习信号可以通过后一层的学习信号以及当前权向量及激活函数的导数推导。

2.判断题采用非线性激活函数可以实现感知器解决非线性分类问题。

3.判断题单个感知器算法的局限是只能用于线性分类。

4.判断题激活函数的非线性使得具有多个层次的神经网络输入输出之间可以形成复杂的非线性映射关系。

5.判断题前馈网络表达输入和输出之间的映射关系，为静态网络，输出作用在网络的输入中。

6.判断题概率型学习网络具有内部反馈。

7.判断题逐层更新法可以用于反馈型网络的学习。

8.判断题玻尔兹曼机最终学习结果是使网络的输入输出联合概率分布与训练集样本的输入输出联合概率分布最为接近。

9.判断题神经网络的学习规则有逐层更新学习、竞争学习和概率型学习。

10.判断题感知器算法采用Hebb学习规则。