卷积神经网络(CNN)是一种多层神经网络,其特点包括()
A.是特征提取层(convolution层)、特征映射层(pooling层)、传统神经网络层的组合
B.每层由多个二维平面组成,每个平面由多个独立神经元组成
C.在图像识别等应用中,能够通过卷积运算等逐层自动提取特征
D.是一种无监督(unsupervised)机器学习模型
A.是特征提取层(convolution层)、特征映射层(pooling层)、传统神经网络层的组合
B.每层由多个二维平面组成,每个平面由多个独立神经元组成
C.在图像识别等应用中,能够通过卷积运算等逐层自动提取特征
D.是一种无监督(unsupervised)机器学习模型
第2题
A、多层前向神经网络一般需要同一层神经元间相互连接
B、深度学习一般使用具有多个隐藏层的神经网络
C、训练神经网络的主要目的是学习神经元间的连接权值
D、卷积神经网络(CNN)可以逐层抽取数据特征实现自动特征学习
第4题
A、长短期记忆网络LSTM
B、卷积神经网络CNN
C、多层感知机MLP
D、受限玻尔兹曼机
第5题
A、在一个卷积层中,一般只有一个卷积核
B、典型CNN的输入层中通常以2维矩阵形式作为输入信号
C、多个卷积核处理后,采用池化操作,将得到的数据块降维,以避免信息冗余
D、输出之前,最后一个卷积层的所有卷积核处理后的信息会被“拉平”为一维向量,再经过全连接层后进入输出层
第6题
A、LeNet-5是卷积神经网络
B、池化层可以非常有效地缩小参数矩阵的尺寸,从而减少后面的卷积层或者全连接层中的参数数量。
C、与全连接的神经网络相比,CNN应用于图像处理时可能会导致一个严重的参数数量的膨胀的问题。
D、卷积层的特点是参数共享
第8题
A、与Tensorflow一样,Keras是一个多层神经网络开发包,只是它的语法更简单、使用更方便
B、Keras是专门用来构建CNN序贯模型的神经网络开发包,不能构建其它神经网络
C、使用Keras构建的神经网络模型必须经过编译(Compile)之后,才能输入数据进行训练
D、Keras可以作为Tensorflow的后端使用
第9题
A、Fast-RCNN将候选区域的特征获取和分类放在一个卷积神经网络
B、可以把分类损失和边框精调的回归损失加在一起训练卷积神经网络,降低了Fast-RCNN的mAP
C、舍弃了R-CNN的多尺度池化,并且对全连接层矩阵相乘使用了SVD,提高了算法的速度
D、候选框的目标分类和边框精调都由卷积神经网络承担,这也提高了算法的速度
第10题
A、RNN是具有整体的浅层结构,局部深层结构的网络
B、CNN为单向信息传递的前馈神经网络,认为时序间输入的信息是相互独立的,无法很好的处理序列数据
C、RNN的神经元将上一帧处理后的信息也作为当前帧的输入解决数据之间信息依赖的问题
D、CNN每次输入的数据必须具有相同的大小
为了保护您的账号安全,请在“上学吧”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!