• 2022-07-22
    为网络添加BN层能够一定程度上解决梯度弥散的问题,加快模型的收敛速度。根据BN层的算法原理,判断以下关于BN层的叙述正确的有
    A: 在网络测试阶段,BN层的输出数据会被归一化,均值为0,方差为1
    B: 对输入数据进行一定程度的缩小或放大操作,将不会影响BN层的输出
    C: 在卷积层之后直接使用BN层,卷积层可以不设置bias
    D: 假设某个2d的BN层,其输入通道数为n,则该BN层会有n组线性变换因子
  • B,C,D

    内容

    • 0

      在批标准化(BN)操作中,如果batch size大小为32,特征图深度为16,那么该BN层的总参数以及可训练参数个数分别为:

    • 1

      在批标准化(BN)操作中,如果batch size大小为32,特征图深度为16,那么该BN层的总参数以及可训练参数个数分别为: A: 256,128 B: 128,64 C: 64,32 D: 32,16

    • 2

      池化层一般接在哪种网络层之后。() A: 输入层 B: 输出层 C: 卷积层 D: 全连接层

    • 3

      已知数列{bn}的前n项和为Sn,bn=n+1(n+2)24n2,求Sn.

    • 4

      batchnormalization(BN)可以改善网络训练的稳定性,但也会一定程度上影响卷积神经网络的分类性能