卷积神经网络中，输入图片为RGB3个通道，每个通道大小为32x32，即输入大小为32x32x3，单个卷积核大小为5x5x3，卷积核个数为6，步长为1，无补边，则输出的大小为（ ）。
A: 14x14
B: 14x14x3
C: 27x27x6
D: 27x27x3
A: 14x14
B: 14x14x3
C: 27x27x6
D: 27x27x3
举一反三
- 假设某卷积层的输入特征图大小为36*32*6，卷积核大小是5*3，通道为20个，步长为1，没有padding，那么得到的特征图大小为？ A: 32*30*20 B: 27*30*20 C: 32*28*6 D: 36*34*20
- 224x224x3 的图像数据，不做周边填充，经过 3x3 大小、步长为 2、深度为 64 的卷积核集合，输出的数据维度是 A: 110 x 110 x 3 B: 110 x 110 x 64 C: 111 x 111 x 3 D: 111 x 111 x 64
- 下面程序的输出结果是( )for(y=1;y<;10;)y=((x=3*y,x+1),x-1);printf("x=%d,y=%d",x,y); A: x=27,y=27 B: x=12,y=13 C: x=15,y=14 D: x=y=27
- 若要将一个长度为N=16的序列x(n)重新位倒序,作为某一FFT算法的输入,则位倒序后序列的样本序号为( )。 A: x(15), x(14), x(13), x(12), x(11), x(10), x(9), x(8), x(7), x(6),<br/>x(5), x(4), x(3), x(2), x(1), x(0) B: x(0), x(4), x(2), x(6), x(1), x(5), x(3), x(7), x(8), x(12), x(10),<br/>x(14), x(9), x(13), x(11), x(15) C: x(0), x(2), x(4), x(6), x(8), x(10), x(12), x(14), x(1), x(3), x(5),<br/>x(7), x(9), x(11), x(13), x(15) D: x(0), x(8), x(4), x(12), x(2), x(10), x(6), x(14), x(1), x(9), x(5),<br/>x(13), x(3), x(11), x(7), x(15)
- X为随机变量，E（X）=-1，D（X）=3，则E{3（X^2）+20}=（）？ A: 18 B: 9 C: 30 D: 32