已知两层3×3的卷积核与一层5×5的卷积核具有相同的感受野，那么前者（3×3）和后者（5×5）的参数量和计算量是什么关系（特征图尺寸为32）？
前者计算量和参数量都小
举一反三
- 已知两层3×3的卷积核与一层5×5的卷积核具有相同的感受野，那么前者（3×3）和后者（5×5）的参数量和计算量是什么关系（特征图尺寸为32）？ A: 前者参数量小、后者计算量更小 B: 前者计算量小、后者参数量更小 C: 前者的参数量和计算量都更小 D: 后者的参数量和计算量都更小
- 在卷积神经网络LeNet-5的卷积层C3得到的特征图为16个，上一层的特征图为6个。则关于这一卷积过程的描述错误的是[img=658x440]1803b2fa207fe99.png[/img] A: C3卷积层中每个特征图只与上一层S2中部分特征图相连接 B: C3卷积层采用多通道16核卷积 C: C3卷积层有16个卷积核，其大小均为5*5，且每个卷积核与上一层的若干特征图相连接 D: C3卷积层有16个卷积核，其大小均为5*5，且每个卷积核与上一层的全部特征图相连接
- 一个Inception 块，相对于同样数量的3*3或5*5卷积层，它的参数更少。
- 现有一个两层的卷积神经网络，第一层是常规的卷积层，输入输出的通道数为3和64，卷积核大小为3×3；第二层是分组卷积层（group convolution layer）,分为4组，输入输出通道数为64和32，卷积核大小为3×3。则该网络的参数个数为（）
- 设输入图像的维度为32×32×3，若存在1个尺度为5×5的卷积核，其步长stride=2，则卷积运算之后的特征图[br][/br]的深度为（）。 A: 1 B: 3 C: 5 D: 32
内容
- 0
假设特征图的大小为7×7，卷积核大小为3×3，使用Row stationary的方式进行二维卷积设计，假设一个处理单元（PE）只处理一行数据（不存在复用多行的情况），那么需要一个多大的PE阵列（例如5×5的特征图，3×3的卷积核需要3×3的PE阵列; A: 3×7 B: 3×5 C: 3×4 D: 3×3
- 1
假设某卷积层的输入和输出特征图大小分别为63*63*6和31*31*12，卷积核大小是5*5，步长为2，那么Padding值为多少？ A: 1 B: 2 C: 3 D: 4
- 2
假设某卷积层的输入和输出特征图大小分别为63*63*16和31*31*64，卷积核大小是5*5，步长为2，那么Padding值为多少？ A: 1 B: 2 C: 3 D: 4
- 3
在卷积神经网络计算中，已知输入特征层大小为32x32x64, 使用标准卷积计算，带偏置项，卷积核大小为3*3，输出特征层数目为64，请问卷积层的参数个数为？ A: 576 B: 36928 C: 640 D: 36864
- 4
VGG网络中，用小卷积核代替了大卷积核。例如，2个3*3代替了 A: 1*1 B: 3*3 C: 5*5 D: 7*7