Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Rangkaian Neural Konvolusi
Uji kernel CNN yang dikongsi, pensampelan spatial, hierarki ciri yang dipelajari, sejarah AlexNet, pengiraan grid keluaran dan liputan saluran input yang padat.
soalan 1 daripada 8
Apakah tugas utama penapis (kernel) dalam CNN?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah tugas utama penapis (kernel) dalam CNN?
- Untuk menyimpan label pengelasan akhir
- Untuk mengocok piksel secara rawak sebelum latihan
- Untuk meluncur merentasi imej dan mengesan corak visual tertentu
- Untuk menukar imej kepada audio
- 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
- Dalam CNN yang mendalam, bagaimanakah ciri secara amnya berubah dari lapisan awal kepada lapisan kemudian?
- Daripada keseluruhan objek kepada piksel tunggal
- Mereka kekal sama pada setiap lapisan
- Dari teks kepada nombor sahaja
- Daripada tepi dan warna ringkas kepada bahagian kompleks seperti mata atau roda
- Which named CNN is associated with the influential 2012 ImageNet classification result?
- AlexNet
- ResNet
- Vision Transformer
- SqueezeNet
- Apakah operasi berangka yang berlaku apabila penapis digunakan pada tampalan imej?
- Piksel diisih daripada paling gelap kepada paling terang
- Tampalan dipadamkan daripada imej
- Setiap berat didarab dengan piksel bertindihnya, dan hasil dijumlahkan
- Piksel ditukar kepada huruf
- 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