课程4_第1周_测验题¶
第一题¶
1.你认为把下面这个过滤器应用到灰度图像会怎么样？
$$\begin{bmatrix} 0 & 1 & -1 & 0\\ 1 & 3 & -3 & -1\\ 1 & 3 & -3 & -1\\ 0 & 1 & -1 & 0 \end{bmatrix} $$
A. 【 】会检测45度边缘
B. 【 】会检测垂直边缘
C. 【 】会检测水平边缘
D. 【 】会检测图像对比度
答案：
B.【 √ 】会检测垂直边缘
第二题¶
2.假设你的输入是一个300×300的彩色（RGB）图像，而你没有使用卷积神经网络。 如果第一个隐藏层有100个神经元，每个神经元与输入层进行全连接，那么这个隐藏层有多少个参数（包括偏置参数）？
A. 【 】9,000,001
B. 【 】9,000,100
C. 【 】27,000,001
D. 【 】27,000,100
答案：
D.【 √ 】27,000,100
第三题¶
3.假设你的输入是300×300彩色（RGB）图像，并且你使用卷积层和100个过滤器，每个过滤器都是5×5的大小，请问这个隐藏层有多少个参数（包括偏置参数）？
A. 【 】2501
B. 【 】2600
C. 【 】7500
D. 【 】7600
答案：
D.【 √ 】2600
第四题¶
4.你有一个63x63x16的输入，并使用大小为7x7的32个过滤器进行卷积，使用步幅为2和无填充，请问输出是多少？
A. 【 】29x29x32
B. 【 】16x16x32
C. 【 】29x29x16
D. 【 】16x16x16
答案：
A.【 √ 】29x29x32
第五题¶
5.你有一个15x15x8的输入，并使用“pad = 2”进行填充，填充后的尺寸是多少？
A. 【 】17x17x10
B. 【 】19x19x8
C. 【 】19x19x12
D. 【 】17x17x8
答案：
B.【 √ 】19x19x8
第六题¶
6.你有一个63x63x16的输入，有32个过滤器进行卷积，每个过滤器的大小为7x7，步幅为1，你想要使用“same”的卷积方式，请问pad的值是多少？
A. 【 】1
B. 【 】2
C. 【 】3
D. 【 】7
答案：
C.【 √ 】3
第七题¶
7.你有一个32x32x16的输入，并使用步幅为2、过滤器大小为2的最大化池，请问输出是多少？
A. 【 】15x15x16
B. 【 】16x16x8
C. 【 】16x16x16
D. 【 】32x32x8
答案：
C.【 √ 】16x16x16
第八题¶
8.因为池化层不具有参数，所以它们不影响反向传播的计算。
A. 【 】对
B. 【 】不对
答案：
B.【 √ 】不对
第九题¶
9.在视频中，我们谈到了“参数共享”是使用卷积网络的好处。关于参数共享的下列哪个陈述是正确的？（选出所有正确项）
A. 【 】它减少了参数的总数，从而减少过拟合。
B. 【 】它允许在整个输入值的多个位置使用特征检测器。
C. 【 】它允许为一项任务学习的参数即使对于不同的任务也可以共享（迁移学习）。
D. 【 】它允许梯度下降将许多参数设置为零，从而使得连接稀疏。
答案：
A.【 √ 】它减少了参数的总数，从而减少过拟合。
B.【 √ 】它允许在整个输入值的多个位置使用特征检测器。
第十题¶
10.在课堂上，我们讨论了“稀疏连接”是使用卷积层的好处。这是什么意思?
A. 【 】正则化导致梯度下降将许多参数设置为零。
B. 【 】每个过滤器都连接到上一层的每个通道。
C. 【 】下一层中的每个激活只依赖于前一层的少量激活。
D. 【 】卷积网络中的每一层只连接到另外两层。
答案：
C.【 √ 】下一层中的每个激活只依赖于前一层的少量激活。