图14－11示为均质细杆弯成的圆环，半径为r，转轴O通过圆心垂直于环面，A端自由，AD段为微小缺口，设圆环以匀角速

A．全连接层的作用就是分类,全连接层的每一个节点都与上一层的所有节点相连接,将前一层的特征进行进一步组合

B．损失函数的作用是用来估算模型的预测值与实际值的差距的函数

C．卷积神经网络中的池化层又称为下采样层，该层的目的是降低特征图的维度，进而降低卷积神经网络的参数量,减少过拟合

D．卷积神经网络前面的各层是将图像的低维特征映射到抽象特征空间,全连接层则将抽象特征映射到样本标记空间中

A．C3卷积层中每个特征图只与上一层S2中部分特征图相连接

B．C3卷积层采用多通道16核卷积

C．C3卷积层有16个卷积核，其大小均为5*5，且每个卷积核与上一层的若干特征图相连接

D．C3卷积层有16个卷积核，其大小均为5*5，且每个卷积核与上一层的全部特征图相连接

A．卷积神经网络可以包含卷积层,池化层和全连接层

B．卷积核不可以用来提取图片全局特征

C．在处理图片时，是以扫描窗口的方式对图像做卷积

D．常见的池化层有最大池化与平均池化

A．人工神经网络主要由输入层、隐藏层和输出层组成。深度学习一般要求有多个隐藏层

B．卷积神经网络具有天然的网络权重值共享和网络局部稀疏性连接的特性，这种连接恰好也符合生物神经元的稀疏性响应特性

C．卷积神经网络有两个基本概念：权值共享和池化。权值共享使权值参数的个数减小；池化可以使特征图减小，简化计算

D．损失函数层的作用是用来估算模型的预测值与实际值的差距的函数，它是一个非负的实数值函数，它的值越小，反应该网络的数据拟合性能越好，也就是其结果越逼近原始输入数据

A．卷积层（特征提取层）

B．池化层（特征映射层）

C．全连接层（传统神经网络层）

D．分类层（输出层）

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

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

B.孙立平

C.费孝通

D.吴阶平