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

发布时间:2023年12月27日

课程4_第1周_测验题

目录

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。

文章来源:https://blog.csdn.net/coldstarry/article/details/135232044
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。