以下哪些方法能改进卷积神经网络的训练质量？

A、He初始化

B、batch normalization

C、dropout

D、任意随机初始化

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

A、卷积层使用卷积+ReLU+batch normalization的结构

B、mini-batch的batch值越大越好

C、增加池化层的个数可以提高网络训练参数，但降低了网络性能

D、激活函数尽量选择Sigmoid等函数，提高网络的非线性拟合能力

A、增加可调整参数的隐层数目

B、使用图像进行旋转、裁剪、拉伸、裁剪等进行样本增强

C、采用小卷积核，提高通道的个数

D、增强特征获取能力对样本按照一定的方式排序

A、卷积层

B、池化层

C、反馈层

D、全链接层

A、增大学习率

B、减少网络深度（隐层个数）

C、skip connection

D、减少通道数

A、典型的卷积神经网络是由卷积层、池化层和全连接层等组成

B、卷积神经网络训练时学习的是每层神经元的值

C、AlexNet是一个8层的卷积神经网络

D、目标检测网络Yolo网络结构中包含卷积层

A、采用不同大小的卷积：在开始的卷积层采用大卷积核获得粗大的特征，然后再后续的卷积层采用小卷积核获得细致的特征

B、同一隐层组合不同大小的卷积核函数

C、采用shortcut等方式，随着网络层次的加深，减少特征的损失

D、多增加池化操作

A、ReLU非线性激活函数的收敛速度比Sigmoid快一些

B、在限制神经元总数的情况下，增加网络的宽度要比增加网络的深度能带来更强的网络表示能力

C、激活函数为Tanh的深层神经网络可以看成一个复合的非线性多元函数

D、输入一个300*300的彩色图，经过10个5*5的卷积核，隐层的参数量为750（包括偏置）

A、卷积核的高和宽不一定是相等的，且一般大小取奇数

B、在特征图padding时，各方向的填充像素数不一定相同（不对称填充），也不一定补0

C、在卷积神经网络中，卷积和池化的作用主要是分类，全连接层的作用主要是特征获取

D、卷积神经网络的输出层不一定用全连接网络，也可能得到比较好的性能