A.如果参数较多，则容易导致过拟合。而减少参数有助于避免过拟合
B.参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C.可以允许一个特征检测器在整个输入图像的不同位置使用，即可以把参数看成是卷积提取特征的方式，该方式与位置无关
D.参数越多，才能避免过拟合，减少参数容易导致过拟合
如搜索结果不匹配，请 联系老师 获取答案
更多“14、卷积神经网络的一个特点是“参数共享”。下面关于“参数共…”相关的问题
第1题
A.LeNet-5是卷积神经网络
B.池化层可以非常有效地缩小参数矩阵的尺寸，从而减少后面的卷积层或者全连接层中的参数数量。
C.与全连接的神经网络相比，CNN应用于图像处理时可能会导致一个严重的参数数量的膨胀的问题。
D.卷积层的特点是参数共享
第2题
A.单纯增加卷积神经网络的深度不一定能获得比较好的性能
B.增加卷积神经网络每层卷积核的多样性可以改善网络的性能
C.采用小卷积的级联可以起到大卷积的作用，但减少了网络的参数和过拟合，因此可能获得较高的分类性能
D.卷积神经网络的特征图中的特征很容易归纳解释
第3题
A.卷积核中的取值在训练过程中不会发生变化。
B.共享权重大大减少了参数的个数，降低了网络的复杂度。
C.增加卷积核的大小和通道的个数，可以提升特征获取的能力，但同时速度可能会降低。
D.卷积核变大会减少网络需要优化的参数。
第5题
A.CNN结构与全连接神经网络的相同
B.CNN是一个多层的神经网络，每层由多个二维平面组成，其中每个平面由多个独立神经元组成。
C.卷积运算的主要目的是使原信号特征增强，并降低噪音。
D.CNN的降采样层可以降低网络训练参数及模型的过拟合程度。
第8题
A.全连接层的链接权重
B.卷积滤波矩阵中的参数
C.激活函数中的参数
D.模型的隐藏层数目
第10题
A.模型的隐藏层数目
B.激活函数中的参数
C.全连接层的链接权重
D.卷积滤波矩阵中的参数
第11题
A.在卷积神经网络中，卷积的下一步通常是进行池化处理(pooling)
B.池化处理主要是对不同位置的特征进行聚合统计
C.池化处理起到了减少了参数和降维的作用
D.平均值等
为了保护您的账号安全，请在“赏学吧”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！
微信搜一搜
赏学吧
微信搜一搜
赏学吧
