21、以下有关卷积核的说法正确的是哪些？

A.采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗略的特征，然后再后续的卷积层采用小卷积核获得细致的特征。

B.采用shortcut等方式，减少特征的损失。

C.增加池化操作。

D.在不同隐层调整卷积核大小。

A.单纯增加卷积神经网络的深度不一定能获得比较好的性能

B.增加卷积神经网络每层卷积核的多样性可以改善网络的性能

C.采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能

D.卷积神经网络的特征图中的特征很容易归纳解释

A.单纯增加卷积神经网络的深度不一定能获得比较好的性能

B.增加卷积神经网络每层卷积核的多样性可以改善网络的性能

C.采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能

D.卷积神经网络的特征图中的特征很容易归纳解释

A.CNN 只能通过降采样层减少参数。

B.每个卷积核都会将图像生成为另一幅特征映射图，即：一个卷积核提取一种特征。

C.为了使特征提取更充分，可以添加多个卷积核以提取不同的特征，也就是，多通道卷积。

D.对于多通道卷积，每个通道使用一个卷积核进行卷积操作，然后将这些特征图相同位置上的值相加，生成一张特征图。

A.卷积核中的取值在训练过程中不会发生变化。

B.共享权重大大减少了参数的个数，降低了网络的复杂度。

C.增加卷积核的大小和通道的个数，可以提升特征获取的能力，但同时速度可能会降低。

D.卷积核变大会减少网络需要优化的参数。

A.卷积核只能选择3、5、7等奇数值。

B.卷积核越大，其取得的特征越明显，学习到的特征越多。

C.卷积核越小，其计算量越多，训练模型的时间越长。

D.卷积核越大，越容易提取细节特征

A.卷积核在图像上滑动过程中持续变化。###SXB###B.卷积核在2 维输入数据上“滑动”，对当前输入部分的元素进行矩阵乘法，然后将结果汇为单个输出像素值，重复这个过程直到遍历整张图像，这个过程就叫做卷积。###SXB###C.卷积核是一个权值矩阵。###SXB###D.卷积操作后的图像称为特征图（feature map）。

A.卷积中的通道数量只能是1或3

B.池化核大小与步长相等

C.Padding时各方向的填充不一定对称

D.卷积核越小，卷积后的结果越抽象

A.卷积中的通道数量只能是1或3

B.池化核大小与步长相等

C.Padding时各方向的填充不一定对称

D.卷积核越小，卷积后的结果越抽象

A.根据卷积核的大小，忽略图像周围一圈的像素

B.根据卷积核的大小，在图像周围先填充一圈纯黑或纯白然后进行卷积运算

C.根据卷积核的大小，在图像边缘新增一圈像素点并根据图像边缘的像素进行插值

D.在图像边缘进行卷积运算的时候，调整卷积核的大小