A.393932
B.404032
C.444416
D.292932
考察一个由三个卷积层组成的CNN,卷积核大小为3×3,步长为2,paddding方式为SAME。最低层输出100个特征图,中间层输出200个特征图,最高层输出400个特征图。输入为200×300的RGB图像,则总参数量为()。
A.90×3400
B.2800
C.180×200
D.720×400
输入图像为37×37,经过第一层卷积(卷积核数量为25,每个卷积核大小为5×5,paddding方式为valid,步长为1)和池化层(卷积核大小为3×3,paddding方式为valid,),输出特征图大小为()。
A.10×10
B.11×11
C.12×12
D.13×13
A.220×220×10
B.220×220×5
C.224×224×10
D.224×224×5
A.使用较小的卷积,并统一卷积核的大小
B.使用定点计算的神经网络代替浮点运算
C.使用ReLU作为非线性激发函数
D.增加网络的深度
A.218x218x5
B.217x217x8
C.217x217x3
D.220x220x5