课堂互动 显示答案 | 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
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
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]
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
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
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
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
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