题目
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2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大的特征,然后再后续的卷积层采用小卷积核获得细致的特征
B.同一隐层组合不同大小的卷积核函数
C.采用shortcut等方式,随着网络层次的加深,减少特征的损失
D.多增加池化操作
第3题
A.增加可调整参数的隐层数目
B.使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强
C.采用小卷积核,提高通道的个数
D.增强特征获取能力对样本按照一定的方式排序
第4题
A.使用卷积神经网络进行句子分类或者文档分类,卷积提取的特征与采用n-gram模式提取的特征类似
B.图像处理应用中,卷积核处理的局部区域为图像的一小块区域,而在文本分类时卷积核处理的局部区域通常为相邻的上下几行(几个词)。因此卷积核的宽度和输入矩阵的宽度相等
C.卷积神经网络只能用于图像分类,不能用于文本分类,没有相关文献
D.使用卷积神经网络进行句子分类,一般将句子中每个词表示为固定长度的向量,这样句子就可以表示为矩阵,从而使得在结构上与图像类似,并在后续进行卷积等处理
第5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6题
A.卷积神经网络 图形 实例分割
B.卷积神经 网络 图像语义分割
C.CNN 图像 语义分割
D.卷积神经网络 图像 语义分割
第7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8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
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!