1.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
| 1.11 為什么使用卷積? | 回到目錄 | 2.1 為什么要進(jìn)行實(shí)例探究? |
總結(jié)
習(xí)題
第 101 題
你認(rèn)為把下面這個(gè)過(guò)濾器應(yīng)用到灰度圖像會(huì)怎么樣?[01?1013?3?113?3?101?10]\left[\begin{matrix} 0&1&-1&0 \\ 1&3&-3&-1 \\ 1&3&-3&-1 \\ 0&1&-1&0 \end{matrix}\right]?????0110?1331??1?3?3?1?0?1?10??????
A.會(huì)檢測(cè)45度邊緣
B.會(huì)檢測(cè)垂直邊緣
C.會(huì)檢測(cè)水平邊緣
D.會(huì)檢測(cè)圖像對(duì)比度
第 102 題
假設(shè)你的輸入是一個(gè)300×300的彩色(RGB)圖像,而你沒(méi)有使用卷積神經(jīng)網(wǎng)絡(luò)。 如果第一個(gè)隱藏層有100個(gè)神經(jīng)元,每個(gè)神經(jīng)元與輸入層進(jìn)行全連接,那么這個(gè)隱藏層有多少個(gè)參數(shù)(包括偏置參數(shù))?
A.9,000,001
B.9,000,100
C.27,000,001
D.27,000,100
第 103 題
假設(shè)你的輸入是300×300彩色(RGB)圖像,并且你使用卷積層和100個(gè)過(guò)濾器,每個(gè)過(guò)濾器都是5×5的大小,請(qǐng)問(wèn)這個(gè)隱藏層有多少個(gè)參數(shù)(包括偏置參數(shù))?
A.2501
B.2600
C.7500
D.7600
第 104 題
你有一個(gè)63x63x16的輸入,并使用大小為7x7的32個(gè)過(guò)濾器進(jìn)行卷積,使用步幅為2和無(wú)填充,請(qǐng)問(wèn)輸出是多少?
A.29x29x32
B.16x16x32
C.29x29x16
D.16x16x16
第 105 題
你有一個(gè)15x15x8的輸入,并使用“pad = 2”進(jìn)行填充,填充后的尺寸是多少?
A.17x17x10
B.19x19x8
C.19x19x12
D.17x17x8
第 106 題
你有一個(gè)63x63x16的輸入,有32個(gè)過(guò)濾器進(jìn)行卷積,每個(gè)過(guò)濾器的大小為7x7,步幅為1,你想要使用“same”的卷積方式,請(qǐng)問(wèn)pad的值是多少?
A.1
B.2
C.3
D.7
第 107 題
你有一個(gè)32x32x16的輸入,并使用步幅為2、過(guò)濾器大小為2的最大化池,請(qǐng)問(wèn)輸出是多少?
A.15x15x16
B.16x16x8
C.16x16x16
D.32x32x8
第 108 題
因?yàn)槌鼗瘜硬痪哂袇?shù),所以它們不影響反向傳播的計(jì)算。
A.對(duì) B.不對(duì)
第 109 題
在視頻中,我們談到了“參數(shù)共享”是使用卷積網(wǎng)絡(luò)的好處。關(guān)于參數(shù)共享的下列哪個(gè)陳述是正確的?(選出所有正確項(xiàng))
A.它減少了參數(shù)的總數(shù),從而減少過(guò)擬合。
B.它允許在整個(gè)輸入值的多個(gè)位置使用特征檢測(cè)器。
C.它允許為一項(xiàng)任務(wù)學(xué)習(xí)的參數(shù)即使對(duì)于不同的任務(wù)也可以共享(遷移學(xué)習(xí))。
D.它允許梯度下降將許多參數(shù)設(shè)置為零,從而使得連接稀疏。
第 110 題
在課堂上,我們討論了“稀疏連接”是使用卷積層的好處。這是什么意思?
A.正則化導(dǎo)致梯度下降將許多參數(shù)設(shè)置為零。
B.每個(gè)過(guò)濾器都連接到上一層的每個(gè)通道。
C.下一層中的每個(gè)激活只依賴于前一層的少量激活。
D.卷積網(wǎng)絡(luò)中的每一層只連接到另外兩層。
101-110題 答案
101.B 102.D 103.B 104.A 105.B 106.C 107.C 108.B 109.BD 110.C
| 1.11 為什么使用卷積? | 回到目錄 | 2.1 為什么要進(jìn)行實(shí)例探究? |
總結(jié)
以上是生活随笔為你收集整理的1.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部?jī)?nèi)容,希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇: 1.11 为什么使用卷积-深度学习第四课
- 下一篇: 2.1 为什么要进行实例探究-深度学习第