判断题 AI 模型的智能程度取决于输入数据的质量，算法在其中的作用可以忽略。

判断题 在 RNN 中，每一时刻隐藏状态的权重都保持一致，这样可以减少网络的参数量。

判断题 Sigmoid、tanh 和 Softsign 这些激活函数在网络层数加深时，都不能避免梯度消失的问题。

判断题 异常数据在模型训练过程中不需要删除，大量的异常数据可以提升模型的泛化能力。

判断题 Self-Attention 和 RNN 功能类似，可以处理时序相关问题，同时它们计算时的并行度相对都不高。

判断题 理论上，训练时的精度会随着模型复杂度的上升和训练时间的增加不断减小。

判断题 PyTorch、MindSpore 等 AI 开发框架通常提供内置的预处理功能，用于数据采集、数据清洗、特征选择和归一化等操作。

判断题 AscendCL 可以基于第三方框架开发推理类应用，但是需要通过 ATC 工具先对模型进行转换。