《动手学》：卷积神经网络基础_课后作业

卷积神经网络基础

本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。

具体内容(附代码)链接：https://www.kesci.com/org/boyuai/project/share/5b7cfb4503c69f29

代码讲解视频链接：伯禹学习平台

---

选择题

1.

假如你用全连接层处理一张的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是：

A.65536001

B.65537000

C.196608001

D.196609000

答案：D

图像展平后长度为，权重参数和偏置参数的数量是 = 1966090003×256×256×1000+1000=196609000。

2.

假如你用全连接层处理一张的彩色（RGB）图像，卷积核的高宽是，输出包含10个通道，在使用偏置的情况下，这个卷积层共有多少个参数：

A.90

B.100

C.280

D.300

答案：C

输入通道数是3，输出通道数是10，所以参数数量是。

3.

conv2d = nn.Conv2d(in_channels=3, out_channels=4, kernel_size=3, padding=2)，输入一张形状为的图像，输出的形状为：

A.

B.

C.

D.

答案：C

输出通道数是4，上下两侧总共填充4行，卷积核高度是3，所以输出的高度是，宽度同理可得。

4.

关于卷积层，以下哪种说法是错误的：

A.卷积可以看作是通道维上的全连接

B.某个二维卷积层用于处理形状为的输入，则该卷积层无法处理形状为的输入

C.卷积层通过填充、步幅、输入通道数、输出通道数等调节输出的形状

D.两个连续的卷积核的感受野与一个卷积核的感受野相同

答案：B

对于高宽维度，只要输入的高宽（填充后的）大于或等于卷积核的高宽即可进行计算

5.

关于池化层，以下哪种说法是错误的：

A.池化层不参与反向传播

B.池化层没有模型参数

C.池化层通常会减小特征图的高和宽

D.池化层的输入和输出具有相同的通道数

答案：A

选项A：池化层有参与模型的正向计算，同样也会参与反向传播

选项B：池化层直接对窗口内的元素求最大值或平均值，并没有模型参数参与计算