在卷积技术中,如果R=1／3,当卷积器的输入为246bit时,其输出为()A.492bitB.738bitC.123biD.82bit

相关问题 1：

假定输入图像的尺寸为63´63´16,卷积层包含32个7´7的过滤器,stride=1，如果希望采用“same卷积模式”,则padding为：A．1B．2C．3D．7

点击查看答案

相关问题 2：

10、卷积神经网络中，输入图片为RGB3个通道，每个通道大小为32x32，即输入大小为32x32x3，单个卷积核大小为5x5x3，卷积核个数为6，步长为1，无补边，则输出的大小为（）。A．27x27x3B．14x14x3C．14x14D．27x27x6

点击查看答案

相关问题 3：

在卷积神经网络计算中，已知输入特征层大小为32x32x64, 使用标准卷积计算，带偏置项，卷积核大小为3*3，输出特征层数目为64，请问卷积层的参数个数为？A．576B．36928C．640D．36864

点击查看答案

相关问题 4：

现有一个两层的卷积神经网络，第一层是常规的卷积层，输入输出的通道数为3和64，卷积核大小为3×3；第二层是分组卷积层（group convolution layer）,分为4组，输入输出通道数为64和32，卷积核大小为3×3。则该网络的参数个数为（）

点击查看答案

相关问题 5：

假设某卷积层的输入和输出特征图大小分别为63*63*16和31*31*64，卷积核大小是5*5，步长为2，那么Padding值为多少？A．1B．2C．3D．4

点击查看答案

相关问题 6：

假设某卷积层的输入和输出特征图大小分别为63*63*6和31*31*12，卷积核大小是5*5，步长为2，那么Padding值为多少？A．4B．2C．1D．3

点击查看答案

相关问题 7：

下列关于CNN的说法不正确的是（）A.经过卷积运算，无法产生与输入相同大小的输出###SXB###B.CNN中的卷积运算，每个输出特性不用查看每个输入特征，而只需查看部分输入特征。###SXB###C.对图像用一个卷积核进行卷积运算，实际上是一个滤波的过程。每个卷积核都是一种特征提取方式，就像是一个筛子，将图像中符合条件的部分筛选出来。###SXB###D.0填充：用额外的“假”像素（通常值为0）填充边缘。这样，在滑动时的卷积核可以允许原始边缘像素位于卷积核的中心，同时延伸到边缘之外的假像素，从而产生与输入相同大小的输出。

点击查看答案