如果输入图像的像素矩阵是224像素×224像素×3，用64个规格为3×3的卷积核进行same卷积，same卷积的起始点位置是多少？输出矩阵的维度是多少？再对输出矩阵进行步长2，规格为2×2的最大值池化，最后输出矩阵的维度是多少？
举一反三
- 如果输入图像的像素矩阵是224像素×224像素×3，用64个规格为3×3的卷积核进行valid卷积，移动的步长为2，输出矩阵的维度是多少？再对输出矩阵进行步长为2，规格为2×2的same最大值池化，最后输出矩阵的维度是多少？
- 假设输入图像矩阵为X，卷积核为K。使用same卷积方式进行卷积运算，其移动步长为2，计算卷积结果。[img=555x167]17e449c035bfc68.png[/img]
- 在卷积神经网络的第一层中有5个卷积核，每个卷积核尺寸为7×7，具有零填充且步幅为1。该层的输入图片的维度是224×224×3。那么该层输出的维度是多少？（） A: 217*217*3 B: 217*217*8 C: 218*218*5 D: 220*220*7
- 以下矩阵表示一个卷积核，请问用该卷积核对图像进行卷积运算的效果是什么？[img=114x99]17e0c25cb09d49d.png[/img] A: 图像向右平移一个像素 B: 图像向左平移一个像素 C: 图像像素值加1 D: 图像不变
- 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