sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第一周测验
课程4_第1周_测验题
第一题
1.你认为把下面这个过滤器应用到灰度图像会怎么样?
[ 0 1 ? 1 0 1 3 ? 3 ? 1 1 3 ? 3 ? 1 0 1 ? 1 0 ] \begin{bmatrix} 0 & 1 & -1 & 0\\ 1 & 3 & -3 & -1\\ 1 & 3 & -3 & -1\\ 0 & 1 & -1 & 0 \end{bmatrix} ?0110?1331??1?3?3?1?0?1?10? ?
A. 【 ?】会检测45度边缘
B. 【 ?】会检测垂直边缘
C. 【 ?】会检测水平边缘
D. 【 ?】会检测图像对比度
答案:
B.【 √ 】会检测垂直边缘
第二题
2.假设你的输入是一个300×300的彩色(RGB)图像,而你没有使用卷积神经网络。 如果第一个隐藏层有100个神经元,每个神经元与输入层进行全连接,那么这个隐藏层有多少个参数(包括偏置参数)?
A. 【 ?】9,000,001
B. 【 ?】9,000,100
C. 【 ?】27,000,001
D. 【 ?】27,000,100
答案:
D.【 √ 】27,000,100
第三题
3.假设你的输入是300×300彩色(RGB)图像,并且你使用卷积层和100个过滤器,每个过滤器都是5×5的大小,请问这个隐藏层有多少个参数(包括偏置参数)?
A. 【 ?】2501
B. 【 ?】2600
C. 【 ?】7500
D. 【 ?】7600
答案:
D.【 √ 】2600
第四题
4.你有一个63x63x16的输入,并使用大小为7x7的32个过滤器进行卷积,使用步幅为2和无填充,请问输出是多少?
A. 【 ?】29x29x32
B. 【 ?】16x16x32
C. 【 ?】29x29x16
D. 【 ?】16x16x16
答案:
A.【 √ 】29x29x32
第五题
5.你有一个15x15x8的输入,并使用“pad = 2”进行填充,填充后的尺寸是多少?
A. 【 ?】17x17x10
B. 【 ?】19x19x8
C. 【 ?】19x19x12
D. 【 ?】17x17x8
答案:
B.【 √ 】19x19x8
第六题
6.你有一个63x63x16的输入,有32个过滤器进行卷积,每个过滤器的大小为7x7,步幅为1,你想要使用“same”的卷积方式,请问pad的值是多少?
A. 【 ?】1
B. 【 ?】2
C. 【 ?】3
D. 【 ?】7
答案:
C.【 √ 】3
第七题
7.你有一个32x32x16的输入,并使用步幅为2、过滤器大小为2的最大化池,请问输出是多少?
A. 【 ?】15x15x16
B. 【 ?】16x16x8
C. 【 ?】16x16x16
D. 【 ?】32x32x8
答案:
C.【 √ 】16x16x16
第八题
8.因为池化层不具有参数,所以它们不影响反向传播的计算。
A. 【 ?】对
B. 【 ?】不对
答案:
B.【 √ 】不对
第九题
9.在视频中,我们谈到了“参数共享”是使用卷积网络的好处。关于参数共享的下列哪个陈述是正确的?(选出所有正确项)
A. 【 ?】它减少了参数的总数,从而减少过拟合。
B. 【 ?】它允许在整个输入值的多个位置使用特征检测器。
C. 【 ?】它允许为一项任务学习的参数即使对于不同的任务也可以共享(迁移学习)。
D. 【 ?】它允许梯度下降将许多参数设置为零,从而使得连接稀疏。
答案:
A.【 √ 】它减少了参数的总数,从而减少过拟合。
B.【 √ 】它允许在整个输入值的多个位置使用特征检测器。
第十题
10.在课堂上,我们讨论了“稀疏连接”是使用卷积层的好处。这是什么意思?
A. 【 ?】正则化导致梯度下降将许多参数设置为零。
B. 【 ?】每个过滤器都连接到上一层的每个通道。
C. 【 ?】下一层中的每个激活只依赖于前一层的少量激活。
D. 【 ?】卷积网络中的每一层只连接到另外两层。
答案:
C.【 √ 】下一层中的每个激活只依赖于前一层的少量激活。
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符,请联系我的编程经验分享网邮箱:veading@qq.com进行投诉反馈,一经查实,立即删除!