---

←上一篇↓↑下一篇→

2.11 計算機(jī)視覺現(xiàn)狀	回到目錄	3.1 目標(biāo)定位

---

總結(jié)

習(xí)題

第 111 題

在典型的卷積神經(jīng)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)的深度增加，你能看到的現(xiàn)象是？

A. $n_H$ 和 $n_W$ 增加，同時 $n_c$ 減少

B. $n_H$ 和 $n_W$ 減少，同時 $n_c$ 也減少

C. $n_H$ 和 $n_W$ 增加，同時 $n_c$ 也增加

D. $n_H$ 和 $n_W$ 減少，同時 $n_c$ 增加

第 112 題

在典型的卷積神經(jīng)網(wǎng)絡(luò)中，你能看到的是？

A.多個卷積層后面跟著的是一個池化層

B.多個池化層后面跟著的是一個卷積層

C.全連接層（FC）位于最后的幾層

D.全連接層（FC）位于開始的幾層

第 113 題

為了構(gòu)建一個非常深的網(wǎng)絡(luò)，我們經(jīng)常在卷積層使用“valid”的填充，只使用池化層來縮小激活值的寬/高度，否則的話就會使得輸入迅速的變小。

A.對

B.不對

第 114 題

訓(xùn)練更深層的網(wǎng)絡(luò)（例如，在網(wǎng)絡(luò)中添加額外的層）可以使網(wǎng)絡(luò)適應(yīng)更復(fù)雜的功能，因此幾乎總是會導(dǎo)致更低的訓(xùn)練錯誤。對于這個問題，假設(shè)是指“普通”網(wǎng)絡(luò)

A.對 B.不對

第 115 題

下面計算殘差(ResNet)塊的公式中，橫線上應(yīng)該分別填什么？

$a^{[l+2]}=g(W^{[l+2]}g(W^{[l+1]}+b^{[l+1]})+b^{[l+2]}+\_?\_)+\_?\_)$

A.分別是 0 與 $z^{[l+1]}$
B.分別是 $a^{[l]}$ 與 0
C.分別是 $z^{[l]}$ 與 $a^{[l]}$
D.分別是 0 與 $a^{[l]}$

第 116 題

關(guān)于殘差網(wǎng)絡(luò)下面哪個（些）說法是正確的？

A.使用跳越連接能夠?qū)Ψ聪騻鞑サ奶荻认陆涤幸?#xff0c;且能夠幫你對更深的網(wǎng)絡(luò)進(jìn)行訓(xùn)練

B.跳躍連接計算輸入的復(fù)雜的非線性函數(shù)以傳遞到網(wǎng)絡(luò)中的更深層

C.有L層的殘差網(wǎng)絡(luò)一共有 $L^2$ 種跳躍連接的順序

D.跳躍連接能夠使得網(wǎng)絡(luò)輕松地學(xué)習(xí)殘差塊類的輸入輸出間的身份映射

第 117 題

假設(shè)你的輸入的維度為64x64x16，單個1x1的卷積過濾器含有多少個參數(shù)（包括偏差）？

A.2

B.17

C.4097

D.1

第 118 題

假設(shè)你有一個維度為 $n_H?n_W?n_c$ 的卷積輸入，下面哪個說法是正確的（假設(shè)卷積層為1x1，步長為1，padding為0）？

A.你能夠使用1x1的卷積層來減少 $n_c$ ，但是不能減少 $n_H,n_W$
B.你可以使用池化層減少 $n_H,n_W$ ，但是不能減少 $n_c$
C.你可以使用一個1x1的卷積層來減少 $n_H,n_W$ 和 $n_c$
D.你可以使用池化層減少 $n_H,n_W$ 和 $n_c$

第 119 題

關(guān)于 Inception 網(wǎng)絡(luò)下面哪些說法是正確的

A.Inception 網(wǎng)絡(luò)包含了各種網(wǎng)絡(luò)的體系結(jié)構(gòu)（類似于隨機(jī)刪除節(jié)點模式，它會在每一步中隨機(jī)選擇網(wǎng)絡(luò)的結(jié)構(gòu)），因此它具有隨機(jī)刪除節(jié)點的正則化效應(yīng)。

B.Inception 塊通常使用1x1的卷積來減少輸入卷積的大小，然后再使用3x3和5x5的卷積。

C.一個inception 塊允許網(wǎng)絡(luò)使用1x1, 3x3, 5x5 的和卷積個池化層的組合。

D.通過疊加inception塊的方式讓inception網(wǎng)絡(luò)更深，不會損害訓(xùn)練集的表現(xiàn)。

第 120 題

下面哪些是使用卷積網(wǎng)絡(luò)的開源實現(xiàn)（包含模型/權(quán)值）的常見原因？

A.為一個計算機(jī)視覺任務(wù)訓(xùn)練的模型通常可以用來數(shù)據(jù)擴(kuò)充，即使對于不同的計算機(jī)視覺任務(wù)也是如此。

B.為一個計算機(jī)視覺任務(wù)訓(xùn)練的參數(shù)通常對其他計算機(jī)視覺任務(wù)的預(yù)訓(xùn)練是有用的。

C.使用獲得計算機(jī)視覺競賽獎項的相同的技術(shù)，廣泛應(yīng)用于實際部署。

D.使用開源實現(xiàn)可以很簡單的來實現(xiàn)復(fù)雜的卷積結(jié)構(gòu)。

111-120題 答案

111.D 112.AC 113.B 114.B 115.B 116.BD 117.B 118.AB 119.BC 120.BCD

---

←上一篇↓↑下一篇→

2.11 計算機(jī)視覺現(xiàn)狀	回到目錄	3.1 目標(biāo)定位

---

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的2.12 总结-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。