Cuestionario vinculado a una guía · Medio Nivel

Prueba de redes neuronales convolucionales

Pruebe núcleos CNN compartidos, reducción de resolución espacial, jerarquías de características aprendidas, historial de AlexNet, cálculos de cuadrícula de salida y cobertura densa de canales de entrada.

Rutas de guía relacionadasRedes neuronales convolucionales
Pregunta 1 de 8

¿Cuál es la función principal de un filtro (kernel) en una CNN?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es la función principal de un filtro (kernel) en una CNN?
    • Para almacenar la etiqueta de clasificación final
    • Para mezclar aleatoriamente los píxeles antes del entrenamiento
    • Deslizarse por la imagen y detectar un patrón visual específico
    • Para convertir la imagen en audio
  2. How does spatial kernel sharing reduce parameter requirements compared with learning a separate kernel at every image location?
    • The same learned kernel weights are reused across locations
    • All input pixels are deleted
    • Every layer must use only grayscale data
    • The model avoids all training
  3. What does a spatial pooling layer commonly do to a CNN feature map?
    • Assign a final label to every object
    • Reduce its spatial resolution
    • Guarantee invariance to every possible image shift
    • Always increase the number of input channels
  4. En una CNN profunda, ¿cómo cambian generalmente las características de las primeras capas a las posteriores?
    • De objetos completos a píxeles individuales
    • Se mantienen idénticos en cada capa.
    • De texto a números solamente
    • Desde bordes y colores simples hasta piezas complejas como ojos o ruedas
  5. Which named CNN is associated with the influential 2012 ImageNet classification result?
    • alexnet
    • Resnet
    • Vision Transformer
    • SqueezeNet
  6. ¿Qué operación numérica ocurre cuando se aplica un filtro a una parte de la imagen?
    • Los píxeles están ordenados del más oscuro al más brillante.
    • El parche se elimina de la imagen.
    • Cada peso se multiplica por su píxel superpuesto y los productos se suman
    • Los píxeles se convierten en letras.
  7. With a 6-by-6 input and 3-by-3 kernel at stride one, no padding, and no dilation, what is the CNN output-grid size?
    • 6 by 6
    • 3 by 3
    • 2 by 2
    • 4 by 4
  8. In dense ungrouped convolution on a three-channel input, which channels does one filter span?
    • Only the first channel by definition
    • All three input channels
    • No input channels because kernels contain only output labels
    • Exactly one channel in every convolution configuration