[卷积神经网络]课程：Deep convolutional models习题解析

这是<<卷积神经网络>>课程第二周的习题，一共10道。

从课程给出的众多卷积神经网络示例上看，卷积通常是减少宽高尺寸，增加通道数，比如：

答案为选项3

同样，经典的卷积神经网络通常是几个卷积层后面带一个池化层，接近输出的地方再加上全连接层，所以选择选项1和3

池化层用于减少宽/高，卷积层填充也有避免图像缩小过快的原因，但问题出在题目中的only，卷积层也可以减少宽/高，并不是总会填充的。 所以答案是False

理论上层数越多，训练误差越小，但实际上却并非如此，从下图可以看出，这也是引入残差网络的原因:

答案选择False

通常在激活函数之前加入前面层的激活层，从如下的课件也可以明显可以看出:

答案是选项3

参考Why do residual networks work?这部分的讲义：

另外增加跳跃连接通常能提高性能，所以第一种说法也是正确的。

答案 1、2

需要注意的是过滤器的channel数目等于前一层的通道数目，所以该1x1过滤器的大小为1x1x16，共16个参数，加上bias后17，所以答案是选项3

1x1过滤器通常用于缩减通道数量，而池化层用于缩减宽高，答案是1和3

Inception块通常组合1x1, 3x3, 5x5卷积和池化层，它们通常是在channel上堆叠。

在3x3、5x5卷积之前加上1x1卷积，通常是用来缩减通道数量，减少参数数量，通常被称作”Bottleneck layer”。

答案是1和3

2的说法在课程中并没有讲到，Inception块并不不是堆叠得越多越好，所以4不正确。

关于为什么选择开源实现，课程中讲的很详细了，值得注意的是选项4，Andrew Ng在课程中特意说到在竞赛中采用的技巧，在实际部署中很少采用，所以不要选。

答案是1和3

相关习题解析：

1. Neural Network Basics习题解析
2. [卷积神经网络]课程：The basics of ConvNets习题解析