2020-12-2 吴恩达-卷积神经网络-w1 卷积神经网络(课后作业)

原文如下

问题1
你认为把下面这个过滤器应用到灰度图像会怎么样？

• 检测到水平边缘
• 检测到垂直边缘。正确
• 检测到45度边缘
• 检测到图像对比度

因为过滤器左边的部分是正的（较亮），右边的部分是负的（较暗）。

课程链接。

============================================================
问题2
假设你的输入是一个300×300的彩色（RGB）图像，而你没有使用卷积神经网络。
如果第一个隐藏层有100个神经元，每个神经元与输入层进行全连接，那么这个隐藏层有多少个参数（包括偏置参数）？

• 9,000,001
• 9,000,100
• 27,000,001
• 27,000,100。正确

权重矩阵W=[l,X]=[100,300∗300∗3(RGB)]=100∗300∗300∗3=27,000,000
偏置b，第一隐藏层有100个节点，每个节点有1个偏置参数，所以b=100
合计：27,000,000+100=27,000,100

============================================================
问题3
假设你的输入是300×300彩色（RGB）图像，你使用卷积层和100个过滤器，每个过滤器大小是5×5，请问这个隐藏层有多少个参数（包括偏置参数）？

• 2501
• 2600
• 7500
• 7600。正确。

参数数量和输入的图片大小是没有关系的，无论你给的图像像素有多大，参数数量都是不变的。参数数量只与过滤器有关。

单个过滤器的大小是5∗5，RGB图像（nc=3），一个过滤器的大小5∗5∗nc=5∗5∗3。
每一个过滤器只有一个偏置参数b。
所以，每一个过滤器参数为5∗5∗3+1=76个。
100个过滤器，所以这个隐藏层包含了76∗100=7600个参数。

课程链接

============================================================
问题4
你有一个63x63x16的输入，并使用32个大小为7x7的过滤器进行卷积，步长为2和无填充，请问输出是多少？

• 29x29x16
• 16x16x32
• 29x29x32。正确
• 16x16x16

$$output=n_w^{[l]}\times n_h^{[l]}\times n_c^{[l]}$$
n h [ l ] = n w