以下关于卷积神经网络说法错误的是（）

A、典型的卷积神经网络是由卷积层、池化层和全连接层等组成

B、卷积神经网络训练时学习的是每层神经元的值

C、AlexNet是一个8层的卷积神经网络

D、目标检测网络Yolo网络结构中包含卷积层

A、是目前网络深度最深、应用最成功的深度学习模型

B、卷积神经网络模拟了人类视觉信息处理的过程

C、图像的卷积，很类似视觉皮层对图像进行某种特定功能的处理

D、模拟大脑的视觉处理过程就是卷积神经网络的思路

A、卷积核中的取值都是事先人工设计的，在网络的训练过程中不变化

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、通过增加卷积核的大小和通道的个数，可以提升卷积神经网络特征获取的能力

D、卷积核越大，即感受野越大，网络需要优化的参数越少，训练速度越快

A、ReLU非线性激活函数的收敛速度比Sigmoid快一些

B、在限制神经元总数的情况下，增加网络的宽度要比增加网络的深度能带来更强的网络表示能力

C、激活函数为Tanh的深层神经网络可以看成一个复合的非线性多元函数

D、输入一个300*300的彩色图，经过10个5*5的卷积核，隐层的参数量为750（包括偏置）

A、在一个卷积层中，一般只有一个卷积核

B、典型CNN的输入层中通常以2维矩阵形式作为输入信号

C、多个卷积核处理后，采用池化操作，将得到的数据块降维，以避免信息冗余

D、输出之前，最后一个卷积层的所有卷积核处理后的信息会被“拉平”为一维向量，再经过全连接层后进入输出层

B.卷积核的参数值是人为指定的

C.卷积层可以作为神经网络的隐藏层

D.特征图是为卷积层的最终输出

A、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

B、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

C、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

D、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

A、多层前向神经网络一般需要同一层神经元间相互连接

B、深度学习一般使用具有多个隐藏层的神经网络

C、训练神经网络的主要目的是学习神经元间的连接权值

D、卷积神经网络（CNN）可以逐层抽取数据特征实现自动特征学习

A、无答案

B、正确

C、错误

D、不确定

A、为了获得不同尺度的特征，GoogLeNet采用了1X1,3X3,7X7等不同尺度的卷积核。

B、ResNet卷积神经网络使用了批量标准化(BN)增加了网络的训练稳定性，并像VGG算法利用了skip链接减少信息的损失。

C、类似VGG、GoogLeNet等网络，AlexNet采用了卷积块的结构。

D、所有的卷积层都使用3X3小卷积核的网络是VGG