A.LeNet-5是卷积神经网络
B.池化层可以非常有效地缩小参数矩阵的尺寸,从而减少后面的卷积层或者全连接层中的参数数量。
C.与全连接的神经网络相比,CNN应用于图像处理时可能会导致一个严重的参数数量的膨胀的问题。
D.卷积层的特点是参数共享
第1题
A、从开始的层到后面的层,经过变换得到的特征图的尺寸逐渐变大
B、从开始的层到后面的层,经过变换得到的特征图的尺寸逐渐变小
C、从开始的层到后面的层,经过变换得到的特征图的尺寸大小不变
D、从开始的层到后面的层,经过变换得到的特征图的尺寸开始变小,后来变大
第2题
A、每个卷积层中的卷积核都需要处理全部接受到的信息
B、卷积神经网络是目前网络深度最深的深度神经网络模型之一
C、卷积核用来实现对输入信号的各种处理,不同的卷积核实现不同的功能
D、池化操作对多个卷积核得到的信息进行降维,只保留重要信息
第3题
A、卷积核越大越好。
B、不同卷积层或同一卷积层只能用一种大小的卷积核。
C、在卷积层之前使用池化操作,可以减少卷积层参数量。
D、类似AlexNet网络使用的分组卷积可以增加卷积层的参数量。
第4题
A、卷积核的高和宽不一定是相等的,且一般大小取奇数
B、在特征图padding时,各方向的填充像素数不一定相同(不对称填充),也不一定补0
C、在卷积神经网络中,卷积和池化的作用主要是分类,全连接层的作用主要是特征获取
D、卷积神经网络的输出层不一定用全连接网络,也可能得到比较好的性能
第5题
A、在卷积神经网络中,卷积的下一步通常是进行池化处理(pooling)
B、池化处理主要是对不同位置的特征进行聚合统计
C、池化处理起到了减少了参数和降维的作用
D、常用的池化做法是对每个滤波器的输出求最大值、平均值等
第6题
A、大的卷积核对应的感受野比较大,更容易获得图像的特征
B、小的卷积核级联的效果等价于大卷积核的效果,但权重等参数会大大减少
C、过大的卷积核对应大量的参数,卷积神经网络不容易出现过拟合
D、小的卷积核可以获得图像比较细致的特征,它们组合起来可能降低网络的分类准确率
第7题
A、卷积神经网络的层次结构依次是由输入层、卷积层、激活层、池化层和全连接层组成。
B、卷积神经网络的层次结构依次是由输入层、激活层、卷积层、池化层和全连接层组成。
C、卷积神经网络的层次结构依次是由输入层、卷积层、池化层、激活层和全连接层组成。
D、卷积神经网络的层次结构依次是由输入层、池化层、卷积层、激活层和全连接层组成。
第8题
A、如果参数较多,则容易导致过拟合。而减少参数有助于避免过拟合
B、参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C、可以允许一个特征检测器在整个输入图像的不同位置使用,即可以把参数看成是卷积提取特征的方式,该方式与位置无关
D、参数越多,才能避免过拟合,减少参数容易导致过拟合
第10题
A、经过卷积处理,生成的特征图(feature map)的数目一定和处理前的图像的数目相同
B、经过卷积处理,生成的特征图(feature map)的数目一定和处理前的图像的数目不相同
C、经过卷积处理,生成的特征图(feature map)的数目可能和处理前的图像的数目相同,也有可能不相同
D、经过降采样处理,生成的特征图(feature map)的数目通常和处理前的图像的数目相同
为了保护您的账号安全,请在“上学吧”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!