词表示是前馈神经网络学习的副产品()。A. 对B. 错

考查要点：本题主要考查对词表示与前馈神经网络关系的理解，需要明确词表示的生成方式及其在神经网络中的角色。

关键思路：

1. 词表示（如Word2Vec、GloVe）是通过专门设计的模型或训练目标生成的，其目的是学习词语的向量化表示。
2. 前馈神经网络在执行分类、回归等任务时，虽然会学习输入特征，但词表示并非其默认的副产品，除非网络结构中明确包含嵌入层（如Word Embedding层）。
3. 核心区别：词表示是专门设计的产物，而非其他任务的副产品。

词表示的本质：
词表示技术（如Word2Vec）通过预测上下文或目标词的任务，直接学习词语的向量化表示。其训练目标是生成高质量的词向量，而非解决其他下游任务。

前馈神经网络的作用：
前馈神经网络在执行分类、回归等任务时，主要通过调整权重来优化目标函数。虽然网络可能间接学习到输入特征的某种表示，但这些表示通常与任务强相关，而非通用的词表示。若需生成词向量，需显式添加嵌入层（如Embedding层），此时词表示是设计目标，而非副产品。

结论：
题目中“词表示是前馈神经网络学习的副产品”错误，因为词表示需要专门的训练目标或模型，而非默认由前馈网络在其他任务中生成。