在卷积技术中,如果R=1／3,当卷积器的输入为246bit时,其输出为()A.492bitB.738bitC.123biD.82bit

题目
在卷积技术中,如果R=1／3,当卷积器的输入为246bit时,其输出为()

A.492bit

B.738bit

C.123bi

D.82bit

相似考题

1.假定输入图像的尺寸为63´63´16,卷积层包含32个7´7的过滤器,stride=1，如果希望采用“same卷积模式”,则padding为：A．1B．2C．3D．7

2.在卷积神经网络计算中，已知输入特征层大小为32x32x64, 使用标准卷积计算，带偏置项，卷积核大小为3*3，输出特征层数目为64，请问卷积层的参数个数为？A．576B．36928C．640D．36864

3.现有一个两层的卷积神经网络，第一层是常规的卷积层，输入输出的通道数为3和64，卷积核大小为3×3；第二层是分组卷积层（group convolution layer）,分为4组，输入输出通道数为64和32，卷积核大小为3×3。则该网络的参数个数为（）

4.10、卷积神经网络中，输入图片为RGB3个通道，每个通道大小为32x32，即输入大小为32x32x3，单个卷积核大小为5x5x3，卷积核个数为6，步长为1，无补边，则输出的大小为（）。A．27x27x3B．14x14x3C．14x14D．27x27x6

更多“在卷积技术中,如果R=1／3,当卷积器的输入为246bit时,其输出为() ”相关问题

  • 第1题：

    假设某卷积层的输入和输出特征图大小分别为63*63*16和31*31*64，卷积核大小是5*5，步长为2，那么Padding值为多少？

    A．1

    B．2

    C．3

    D．4


    1

  • 第2题：

    下列关于CNN的说法不正确的是（）

    A.经过卷积运算，无法产生与输入相同大小的输出###SXB###B.CNN中的卷积运算，每个输出特性不用查看每个输入特征，而只需查看部分输入特征。###SXB###C.对图像用一个卷积核进行卷积运算，实际上是一个滤波的过程。每个卷积核都是一种特征提取方式，就像是一个筛子，将图像中符合条件的部分筛选出来。###SXB###D.0填充：用额外的“假”像素（通常值为0）填充边缘。这样，在滑动时的卷积核可以允许原始边缘像素位于卷积核的中心，同时延伸到边缘之外的假像素，从而产生与输入相同大小的输出。
    RNN 是具有整体的浅层结构，局部深层结构的网络

  • 第3题：

    在（3，1，2）结构的卷积编码器中，其约束位数为 。


    4

  • 第4题：

    假设某卷积层的输入和输出特征图大小分别为63*63*6和31*31*12，卷积核大小是5*5，步长为2，那么Padding值为多少？

    A．4

    B．2

    C．1

    D．3


    参考解: 由于卷集核的大小为 2*2 ,故卷积后得到的特征图大小为 3*3 ,该特征图中个元素的大小为: 故所得输出特征图 0.32 0.16 0.96 0 1.44 2.56 2.56 0.96 0.8

  • 第5题：

    输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小为（）。

    A．95

    B．96

    C．97

    D．98


    C

相关内容