深度学习与CNN误区分析
17 Questions
0 Views

Choose a study mode

Play Quiz
Study Flashcards
Spaced Repetition

Podcast

Play an AI-generated podcast conversation about this lesson

Questions and Answers

下面关于池化的描述中,错误的是哪个?

  • 池化在CNN中可以减少较多的计算量,加快模型训练
  • 池化方法可以自定义
  • 池化的常用方法包括最大化池化、最小化池化、平均化池化、全局池化 (correct)
  • 在人脸识别中采用较多池化的原因是为了获得人脸部的高层特征
  • 下面关于CNN的描述中,错误的说法是哪个?

  • 卷积核一般是有厚度的,即通道(channel),通道数量越多,获得的特征图(Feature map)就越多
  • 卷积是指对图像的窗口数据和滤波矩阵做内积的操作,在训练过程中滤波矩阵的大小和值不变 (correct)
  • 局部感知使网络可以提取数据的局部特征,而权值共享大大降低了网络的训练难度
  • SAME填充(padding)一般是向图像边缘添加0值
  • 下面关于深度学习网络结构的描述,正确的说法是哪个?

  • 网络结构的层次越深,其学习的特征越多,10层的结构要优于5层的
  • 深层网络结构中,学习到的特征一般与神经元的参数量有关,也与样本的特征多寡相关 (correct)
  • 在不同的网络结构中,层数与神经元数量正相关,层数越多,神经元数量一定越多
  • 网络的层次越深,其训练时间越久,5层的网络要比4层的训练时间更长
  • 假设输入是一个300×300的彩色(RGB)图像,使用全链接神经网络。如果第一个隐藏层有100个神经元,那么这个隐藏层一共有多少个参数(包括偏置参数)?

    <p>27,000,100</p> Signup and view all the answers

    假设输入是一张300×300彩色图像,第一个隐藏层使用了100个5×5卷积核做卷积操作,这个隐藏层有多少个参数(包括偏置参数)?

    <p>7600</p> Signup and view all the answers

    有一个44x44x16的输入,并使用大小为5x5的32个卷积核进行卷积,步长为1,无填充,输出是多少?

    <p>40<em>40</em>32</p> Signup and view all the answers

    对于65x65x6的输入特征图,用32个5×5的卷积核(过滤器)进行卷积,步幅为2,padding值为2,得到的特征图大小是哪个?

    <p>33<em>33</em>32</p> Signup and view all the answers

    对于32x32x6的输入特征图,使用步长为2,核大小为2的最大池化,请问输出特征图的大小是多少?

    <p>16<em>16</em>6</p> Signup and view all the answers

    假设一个卷积神经网络,第一个全连接层前的池化层输出为1212250,其展开的向量长度为?

    <p>36000</p> Signup and view all the answers

    假设某卷积层的输入和输出特征图大小分别为63636和313112,卷积核大小是5*5,步长为2,那么Padding值为多少?

    <p>1</p> Signup and view all the answers

    假设某卷积层的输入特征图大小为36326,卷积核大小是5*3,通道为20个,步长为1,没有padding,那么得到的特征图大小为?

    <p>32<em>30</em>20</p> Signup and view all the answers

    对于神经网络而言,哪个不是输入的标准化的作用?

    <p>降低网络的计算量</p> Signup and view all the answers

    以下有关卷积神经网络的说法,哪些是错误的?

    <p>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</p> Signup and view all the answers

    下面有关卷积神经网络的说法哪些是正确的?

    <p>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</p> Signup and view all the answers

    以下哪些方法能改进卷积神经网络的训练质量?

    <p>batch normalization</p> Signup and view all the answers

    下面关于池化的描述中,正确的的说法有哪些?

    <p>在人脸识别中采用较多池化的原因是为了获得人脸部的高层特征</p> Signup and view all the answers

    以下有关卷积核的说法正确的是哪些?

    <p>使用小卷积核可以减少参数量。</p> Signup and view all the answers

    Study Notes

    CNN 池化层错误描述

    • 池化在CNN中,可以减少计算量,加快模型训练。
    • 池化常用方法包括最大化池化、最小化池化、平均化池化和全局池化。
    • 池化方法不是自定义的。
    • 在人脸识别中使用池化,是为了提取人脸的高层特征。

    CNN 卷积层错误描述

    • SAME 填充(padding)通常在图像边缘添加 0 值。
    • 卷积核有厚度(通道),通道越多,特征图(Feature map)越多。
    • 局部感知使网络提取局部特征。权值共享降低了网络训练难度。
    • 卷积是对图像窗口数据和滤波矩阵进行内积操作,在训练过程中滤波矩阵的大小和值不变。

    深度学习网络结构描述

    • 网络层数越深,训练时间越长。五层网络的训练时间比四层网络更长。
    • 不同网络结构中,层数和神经元数量不一定是正相关的。层数越多,神经元数量不一定越多。
    • 网络层数越深,学习到的特征越多。十层结构优于五层结构。
    • 深层网络结构中学习到的特征通常与神经元参数量相关,也与样本特征数量相关。

    全链接神经网络参数计算

    • 输入 300x300 彩色图像,隐藏层有 100 个神经元,则隐藏层参数(包括偏置)数量为 27,000,100。

    卷积神经网络参数计算

    • 输入 300x300 彩色图像,第一隐藏层使用 100 个 5x5 卷积核,则隐藏层参数(包括偏置)数量为 7600。

    卷积神经网络输出计算

    • 输入 44x44x16,卷积核大小 5x5 数量 32,步长 1,无填充(nopadding),输出 29x29x32。

    输入特征图大小计算

    • 输入 65x65x6,卷积核 5x5,32 个,步幅 2,padding 2,输出 33x33x32。

    最大池化层输出计算

    • 输入 32x32x6,步长 2,核大小 2 的最大池化,输出 16x16x6。

    卷积神经网络展开向量长度计算

    • 卷积层输出 12x12x250,展开向量长度 36000。

    卷积层输入输出特征图大小计算

    • 输入 63x63x6 输出 31x31x12 ,卷积核 5x5,步长 2,padding 1,输出 31x31x12。

    卷积层大小计算

    • 输入 36x32x6,卷积核 5x3,通道 20,步长1,无 padding,输出 32x30x20。

    卷积神经网络有效卷积计算

    • 输入 227x227x3,96 个卷积核 11x11,步长为 4,输出 55x55x96。

    SAME 卷积输出计算

    • 输入 224x224x3,64 个 3x3 卷积核,SAME 卷积,步幅 1,输出 224x224x64,再进行步幅为2,大小为2x2 的最大值池化,输出 112x112x64。

    卷积、池化区别

    • 卷积和池化都能产生特征,卷积核需要估计参数,池化不引入参数,通过平均或最大值计算特征。

    Studying That Suits You

    Use AI to generate personalized quizzes and flashcards to suit your learning preferences.

    Quiz Team

    Related Documents

    深度学习-测试3 PDF

    Description

    本测验探讨了CNN的池化层和卷积层的常见错误理解,以及深度学习网络结构和参数计算的误区。通过分析这些误区,帮助学习者更深入地理解深度学习的核心概念和运作机制。

    More Like This

    CNN Website User Experience Feedback Quiz
    5 questions
    CNN Ad Relevance and Technical Issues Quiz
    1 questions
    Introduction to CNN Image Challenges Quiz
    30 questions
    CNN News Quiz Flashcards
    16 questions

    CNN News Quiz Flashcards

    AmicableNeodymium avatar
    AmicableNeodymium
    Use Quizgecko on...
    Browser
    Browser