设总体X服从正态分布N（μ，σ2)，其中σ2已知，则总体均值μ的置信区间长度L与置信度1一α的关系是（

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．是特征提取层（convolution层）、特征映射层（pooling层）、传统神经网络层的组合

B．每层由多个二维平面组成，每个平面由多个独立神经元组成

C．在图像识别等应用中，能够通过卷积运算等逐层自动提取特征

D．是一种无监督（unsupervised）机器学习模型

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．卷积层的输入特征图的通道数和输出特征图的通道数是相同的

B．通道数越多，获得的特征图越多，网络获得的特征越充分

C．随着卷积网络深度的增加，一般使用更小的卷积核和更多的通道，兼顾训练速度和网络分类性能

D．在卷积操作时，每个卷积核要对输入特征图的所有通道分别做卷积后求和，得到对应的新特征图

A.解决卷积计算量过大的问题

B.降低特征图的分辨率

C.实现不同尺度特征的提取

D.实现特征分类

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