下面关于CNN的描述中，错误的是哪些？
A: 局部感知使网络可以提取数据的局部特征，而权值共享大大增加了网络的训练难度
B: 通道数量越多，获得的特征就越充分
C: 卷积是指对图像的窗口数据和卷积核做内积的操作，在训练过程中卷积核的大小和值不变
D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能对图像边缘的特征获取不足
A: 局部感知使网络可以提取数据的局部特征，而权值共享大大增加了网络的训练难度
B: 通道数量越多，获得的特征就越充分
C: 卷积是指对图像的窗口数据和卷积核做内积的操作，在训练过程中卷积核的大小和值不变
D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能对图像边缘的特征获取不足
A,C
举一反三
- 下面关于CNN的描述中，错误的说法是哪个？ A: 局部感知使网络可以提取图像的局部特征，而权值共享大大降低了网络的训练难度 B: 通道数量越多，获得的特征图（Feature map）就越多 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变 D: SAME填充和VALID填充的主要区别是前者向图像边缘添加0值，而后者可能会忽略来自图像边缘的值
- 下面关于CNN的描述中，正确的是哪些？ A: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度。 B: 卷积核一般是有厚度的，即通道（channel),通道数量越多，获得的特征图（Feature map）就越多。 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变。 D: SAME填充（padding）是向图像边缘添加0值。
- 下面关于CNN的描述中，错误的是哪个？ A: SAME填充（padding）一般是向图像边缘添加0值 B: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变 C: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度 D: 卷积核一般是有厚度的，即通道（channel),通道数量越多，获得的特征图（Feature map）就越多
- 下列关于CNN的描述中，错误的说法是哪个？ A: 局部感知使网络可以提取数据的局部特征， 而权值共享大大降低 了网络的训练难度 B: 卷积核一般是有厚度的， 即通道（ channel),通道数量越多， 获得 的特征图（ Feature map） 就越多 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作， 在训练过 程中滤波矩阵的大小和值不变 D: SAME 填充（ padding） 一般是向图像边缘添加 0 值
- 下面关于卷积神经网络（CNN）的描述中，以下哪些说法是正确的？ A: 局部感知使网络可以提取数据的局部特征，而权值共享大大降低了网络的训练难度 B: 卷积核一般是有厚度的，即通道（channel），通道数量越多，获得的特征图（Feature map）就越多 C: 卷积是指对图像的窗口数据和滤波矩阵做内积的操作，在训练过程中滤波矩阵的大小和值不变 D: 等宽卷积是指卷积后的输出长度m与输入长度k一致，步长s=1，两端补零p=k−1。
内容
- 0
卷积核沿图像边缘操作时，卷积核窗口有可能超出图像边界，Conv2D 方法中参数 padding=“valid” 意为允许在图像边界外填充0值像素，以便卷积窗口超出图像部分也能进行卷积计算。。
- 1
有关通道的说法，哪些说法是正确的？ A: 卷积层的输入特征图的通道数和输出特征图的通道数是相同的 B: 通道数越多，获得的特征图越多，网络获得的特征越充分 C: 随着卷积网络深度的增加，一般使用更小的卷积核和更多的通道，兼顾训练速度和网络分类性能 D: 在卷积操作时，每个卷积核要对输入特征图的所有通道分别做卷积后求和，得到对应的新特征图
- 2
卷积核具有（），这种特性是指卷积核对图像特征的提取，仅与其自身的权值分布有关，而与该特征在图像中的位置无关。
- 3
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。
- 4
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