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