Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Konvolúciós neurális hálózatok kvíz
Test shared CNN kernels, spatial downsampling, learned feature hierarchies, AlexNet history, output-grid calculations, and dense input-channel coverage.
kérdés 1 -ból 8
Mi a szűrő (kernel) fő feladata a CNN-ben?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi a szűrő (kernel) fő feladata a CNN-ben?
- A végső osztályozási címke tárolására
- A képpontok véletlenszerű keverése edzés előtt
- A képen való átcsúszáshoz és egy adott vizuális minta észleléséhez
- A kép hanggá alakítása
- 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
- 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
- Egy mély CNN-ben hogyan változnak a jellemzők általában a korai rétegekről a későbbi rétegekre?
- Egész objektumoktól az egyes pixelekig
- Minden rétegben azonosak maradnak
- Szövegtől csak számokig
- Az egyszerű élektől és színektől az összetett alkatrészekig, mint például a szemek vagy a kerekek
- Which named CNN is associated with the influential 2012 ImageNet classification result?
- AlexNet
- ResNet
- Vision Transformer
- SqueezeNet
- Milyen numerikus művelet történik, ha szűrőt alkalmazunk a kép egy foltjára?
- A képpontok a legsötétebbtől a legvilágosabbig vannak rendezve
- A javítás törlődik a képről
- Minden súlyt megszoroznak az átfedő pixelekkel, és a szorzatokat összeadják
- A képpontok betűkké alakulnak
- 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
- 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