有关卷积神经网络的说法，错误的是：
A: 相对于全连接网络，卷积神经网络可以处理更大图像。
B: 同一特征响应图上不同位置的值表示输入矩阵上相同位置对不同积核的响应结果。
C: 不同的特征响应图反映了输入矩阵对不同卷积核的响应结果。
D: 特征响应图组中同一位置的不同响应值表示输入矩阵上相同位置对不同积核的响应结果。
A: 相对于全连接网络，卷积神经网络可以处理更大图像。
B: 同一特征响应图上不同位置的值表示输入矩阵上相同位置对不同积核的响应结果。
C: 不同的特征响应图反映了输入矩阵对不同卷积核的响应结果。
D: 特征响应图组中同一位置的不同响应值表示输入矩阵上相同位置对不同积核的响应结果。
举一反三
- 使用卷积积分可以计算系统的（） A: 零输入响应 B: 全响应 C: 阶跃响应 D: 零状态响应
- 下列关于卷积神经网络的说法不正确的是 A: 每个卷积层中的卷积核都需要处理全部接受到的信息 B: 池化操作对多个卷积核得到的信息进行降维，只保留重要信息 C: 卷积核用来实现对输入信号的各种处理，不同的卷积核实现不同的功能 D: 卷积神经网络是目前网络深度最深的深度神经网络模型之一
- 通过输入信号与系统的单位样值(冲激)响应进行卷积和(积分)运算,可以求解系统的(<br/>) A: 稳态响应 B: 零状态响应 C: 零输入响应
- 全响应除了能用三要素法表示（） A: 全响应一零输入响应十暂态响应 B: 全响应一阶跃响应十冲击响应 C: 全响应一零输入响应十零状态响应 D: 全响应一稳态分量十暂态分量
- 卷积积分在分析线性时不变系统时的作用是： A: 求取零输入响应 B: 求取零状态响应 C: 求取全响应 D: 求取自由响应（齐次通解）