以下有关卷积神经网络的说法，哪些是错误的？
A: 卷积核中的取值都是事先人工设计的，在网络的训练过程中不变化
B: 共享权重大大减少了参数的个数，降低了网络的复杂度
C: 通过增加卷积核的大小和通道的个数，可以提升卷积神经网络特征获取的能力
D: 卷积核越大，即感受野越大，网络需要优化的参数越少，训练速度越快
A: 卷积核中的取值都是事先人工设计的，在网络的训练过程中不变化
B: 共享权重大大减少了参数的个数，降低了网络的复杂度
C: 通过增加卷积核的大小和通道的个数，可以提升卷积神经网络特征获取的能力
D: 卷积核越大，即感受野越大，网络需要优化的参数越少，训练速度越快
举一反三
- 以下有关卷积神经网络的说法，哪些是错误的？ A: 卷积核中的取值在训练过程中不会发生变化。 B: 共享权重大大减少了参数的个数，降低了网络的复杂度。 C: 增加卷积核的大小和通道的个数，可以提升特征获取的能力，但同时速度可能会降低。 D: 卷积核变大会减少网络需要优化的参数。
- 卷积神经网络中某一层使用的He权重初始化与以下哪些参数有关？ A: 卷积核的高 B: 卷积核的宽 C: 前一层特征图的大小 D: 卷积核的个数
- 有关卷积核的大小对卷积神经网络的影响，哪个说法是正确的？ A: 大的卷积核对应的感受野比较大，更容易获得图像的特征 B: 小的卷积核级联的效果等价于大卷积核的效果，但权重等参数会大大减少 C: 过大的卷积核对应大量的参数，卷积神经网络不容易出现过拟合 D: 小的卷积核可以获得图像比较细致的特征，它们组合起来可能降低网络的分类准确率
- 以下参数中，哪个参数不属于卷积神经网络中的超级参数（ ） A: 卷积核的高 B: 卷积填充单元 C: 卷积核内的权重参数 D: 卷积步长
- 以下有关卷积神经网络的说法哪些是正确的？ A: 单纯增加卷积神经网络的深度不一定能获得比较好的性能 B: 增加卷积神经网络每层卷积核的多样性可以改善网络的性能 C: 采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能 D: 卷积神经网络的特征图中的特征很容易归纳解释