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
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.492bit
B.738bit
C.123bi
D.82bit
相关考题：
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
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
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（）
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。
输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为（）。A．95B．96C．97D．98
在（3，1，2）结构的卷积编码器中，其约束位数为 。