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
举一反三
- 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。
- 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
内容
- 0
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
- 1
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。。
- 2
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。
- 3
关于卷积神经网络，下列的描述正确的是 A: 对于图像而言，由于通常一般是局部的像素联系较为紧密，而距离较远的像素相关性则相对较弱。因而可以采用局部感知，即每个神经元可以只需对局部信息进行感知，然后在更高层将局部信息进行综合以得到全局的信息 B: 可以把卷积想象成作用于矩阵的一个滑动窗口函数。滑动窗口又称作卷积核、滤波器或是特征检测器 C: 对于给定的输入图像，卷积操作的输出图像中每一个像素实际上是输入图像中局部区域中像素的加权平均，其权值由一个函数定义，这个函数称为卷积核 D: 其它答案都不对
- 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