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。
============================================================
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
o u t p u t = n w [ l ] × n h [ l ] × n c [ l ] output=n_w^{[l]} \times n_h^{[l]} \times n_c^{[l]} output=nw[l]×nh[l]×nc[l]
n h [ l ] = n w