题目内容（请给出正确答案）

[单选题]

下面有关卷积神经网络的说法，哪些是正确的？

A.卷积核的高和宽不一定是相等的，且一般大小取奇数

B.在特征图padding时，各方向的填充像素数不一定相同（不对称填充），也不一定补0

C.在卷积神经网络中，卷积和池化的作用主要是分类，全连接层的作用主要是特征获取

D.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

提问人：网友ycf107 发布时间：2022-01-07

参考答案

查看官方参考答案

如搜索结果不匹配，请联系老师获取答案

网友答案

查看全部（）

· 有3位网友选择 C，占比37.5%
· 有2位网友选择 A，占比25%
· 有2位网友选择 B，占比25%
· 有1位网友选择 D，占比12.5%

ABCD

提交我的答案

登录提交答案，可赢取奖励机会。

您可能会需要：

重置密码查看订单联系客服

安装简答题APP，拍照搜题省时又省心！

更多“下面有关卷积神经网络的说法，哪些是正确的？”相关的问题

第1题

有关浅层神经网络的说法正确的是（）。

A、各神经元分层排列

B、神经元与前一层及后一层的神经元相连

C、是一种单向多层结构

D、同一层的神经元之间没有互相连接

点击查看答案

第2题

在使用神经网络预测数据模型时，充分训练后如果发现每次运行测试数据后的结果相差比较大，则最可能的原因是

A、学习率过大

B、隐含层数目不够

C、训练样本过少

D、激发函数选择不合理

点击查看答案

第3题

（）的个数决定了卷积层的通道数

A、输入层神经元的个数

B、卷积核的个数

C、卷积核的规模

D、全连接层的神经元个数

点击查看答案

第4题

卷积神经网络一般包括卷积层、池化层、全连接层，一般激活函数在卷积层后进行使用。

点击查看答案

第5题

以下哪些方法能改进卷积神经网络的训练质量？

A、权重归一化

B、dropout

C、batch nomalization

D、增加更多的隐层数，提高网络的深度，深度增大性能也会不断提升

点击查看答案

第6题

池化（下采样）层的神经元不具有需要优化的参数，但它们影响反向传播的计算。

点击查看答案

第7题

在卷积网络中，卷积层的参数是卷积核和偏置，池化层没有参数，因此在误差反向传播时只要优化卷积层的参数。

点击查看答案

第8题

以股票预测为例，在同样的条件下，二维卷积的准确度一定好好于一维卷积。

点击查看答案

第9题

梯度消失和梯度爆炸不会导致下面哪种情况？

A、梯度消失会导致网络训练变慢

B、梯度消失使网络性能不佳，分类准确度低

C、梯度爆炸使网络训练时代价函数震荡，不利于收敛

D、梯度爆炸会加快网络训练，更易达到最优解

点击查看答案

第10题

以下哪个不是AlexNet的创新点？

A、dropout

B、Relu激活函数和重叠池化

C、双GPU训练

D、共享权重

点击查看答案

警告：系统检测到您的账号存在安全风险

为了保护您的账号安全，请在“简答题”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！

微信搜一搜

简答题

点击打开微信

警告：系统检测到您的账号存在安全风险

抱歉，您的账号因涉嫌违反简答题购买须知被冻结。您可在“简答题”微信公众号中的“官网服务”-“账号解封申请”申请解封，或联系客服。

微信搜一搜

简答题

点击打开微信