以下属于卷积神经网络的特点的是？（）

A、使用较小的卷积，并统一卷积核的大小

B、使用定点计算的神经网络代替浮点运算

C、使用ReLU作为非线性激发函数

D、增加网络的深度

B.池化层

C.输入层

D.全连接层

A、人工神经网络主要由输入层、隐藏层和输出层组成。深度学习一般要求有多个隐藏层

B、卷积神经网络具有天然的网络权重值共享和网络局部稀疏性连接的特性，这种连接恰好也符合生物神经元的稀疏性响应特性

C、卷积神经网络有两个基本概念：权值共享和池化。权值共享使权值参数的个数减小；池化可以使特征图减小，简化计算

D、损失函数层的作用是用来估算模型的预测值与实际值的差距的函数，它是一个非负的实数值函数，它的值越小，反应该网络的数据拟合性能越好，也就是其结果越逼近原始输入数据

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、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、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

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

B．网络中含有神经元

C．信息分布在神经元的连接上

D．可以逼近任意非线性系统

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、步长

B、核大小

C、神经网络层数

D、权重系数