课堂互动 隐藏答案 | 返回首页 作者：欧新宇（Xinyu OU）
最后更新：2025-01-03
1. 以下增加神经网络深度的方法中，VGG所使用的是（）。
A. 直接进行更多的全连接层的堆叠
B. 直接进行更多的卷积层的堆叠
C. 精心设计各种功能层的组合
D. 模块化地进行卷积层组的堆叠
答案及解析：D
选项A的设计和深度多层感知机的思想差不多，然而它最大的问题就是参数过多，实现的价值过于昂贵；选项B和D的区别是前者只是单纯地进行卷积层的堆叠，而后者是先组合再按组进行堆叠，单纯的进行卷积层的堆叠会导致超参数的确定困难；选项C所采用的精心设计网络是GoogLeNet的主要方法，这种方法性价比最好，但是设计和实现较为困难；选项D是本题VGG的设计方法。
2.（多选）VGGNet的一个重要贡献是证明了堆叠小卷积核比使用大卷积核具有更多的优势，这些优势包括（）。
A. 可以获得更深的网络，即得到更强的非线性特性
B. 减少参数，从而降低模型对存储的需求
C. 缩小特征图尺度，降少计算量
D. 增强神经元的强度，从而提高神经网络的判别能力
答案及解析： AB
相比AlexNet模型，VGG使用了更小的卷积核来生成卷积特征图，主要原因包括：
3. VGGNet中小卷积核起到了至关重要的作用，下列维度的卷积核哪一个是标准VGG16中最主要的卷积核。
A. [5×5]
B. [4×4]
C. [3×3]
D. [2×2]
E. [1×1]
答案及解析：C
[3×3]卷积是VGG最主要的贡献之一，堆叠[3×3]的卷积可以获得和AlexNet中[7×7]卷积核同样的感知域。
4. 堆叠3个3×3的卷积层，可以获得与（）的卷积层一样的感知域。
A. 5×5
B. 7×7
C. 9×9
D. 11×11
答案及解析： B
1个3×3的卷积核视野为3×3；2个3×3的卷积核堆叠，其视野为5×5；3个3×3的卷积核堆叠，其视野为7×7；4个3×3的卷积核堆叠，其视野为9×9。
1. 在基于VGG模型的卷积神经网络中，大多数的内存主要消耗在（）。
A. 低层的卷积层
B. 高层的卷积层
C. 高层的全连接层
D. 低层的池化层
E. 高层的池化层
答案及解析：A
由于低层特征图的尺度比较大，因此需要较多的内存空间来进行存储。
2. 在基于VGG模型的卷积神经网络中，大多数的参数主要位于（）。
A. 低层的卷积层
B. 高层的卷积层
C. 高层的全连接层
D. 低层的池化层
E. 高层的池化层
答案及解析： C
在卷积神经网络中，参数最多的部分是全连接层，而全连接层通常位于网络的高层部分，即输出部分。
3. 在VGGNet中，作者验证了在AlexNet中提出的局部正则响应层（LRN）能够有效地提高模型的辨别能力。
A. 正确
B. 错误
答案及解析： B
作者在VGGNet的B模型中测试了局部正则响应层的作用，然而并没有得到LRN可以提高性能的证据。因此，在之后的模型和其他网络中，LRN倍彻底弃用。
4. VGGNet的成功证明了，对模型进行（）的增加能够有效提高模型的识别能力。
A. 宽度
B. 深度
C. 通道数
D. 特征图尺度
答案及解析： B
VGG最大的贡献是通过组合简单的3×3卷积为VGG块，然后通过堆叠VGG块实现模型深度的增加。