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:

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

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()

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

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

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 。