题目
A.堆叠多层小卷积核的操作可以等同于大卷积核的操作。
B.使用小卷积核可以减少参数量。
C.使用多层小卷积堆叠可以增加网络的非线性映射能力。
D.卷积核网络性能越大越好。
第1题
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。
第3题
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
第4题
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
第5题
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。
第6题
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。
第7题
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
第8题
第9题
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
第10题
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
第11题
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
为了保护您的账号安全,请在“赏学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!