卷积神经网络基础
本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。
具体内容(附代码)链接：https://www.kesci.com/org/boyuai/project/share/5b7cfb4503c69f29
代码讲解视频链接：伯禹学习平台
选择题
1.
假如你用全连接层处理一张的彩色（RGB）图像，输出包含1000个神经元，在使用偏置的情况下，参数数量是：
A.65536001
B.65537000
C.196608001
D.196609000
答案：D
图像展平后长度为，权重参数和偏置参数的数量是
= 1966090003×256×256×1000+1000=196609000。
2.
假如你用全连接层处理一张的彩色（RGB）图像，卷积核的高宽是
，输出包含10个通道，在使用偏置的情况下，这个卷积层共有多少个参数：
A.90
B.100
C.280
D.300
答案：C
输入通道数是3，输出通道数是10，所以参数数量是。
3.
conv2d = nn.Conv2d(in_channels=3, out_channels=4, kernel_size=3, padding=2)，输入一张形状为的图像，输出的形状为：
A.
B.
C.
D.
答案：C
输出通道数是4，上下两侧总共填充4行，卷积核高度是3，所以输出的高度是，宽度同理可得。
4.
关于卷积层，以下哪种说法是错误的：
A.卷积可以看作是通道维上的全连接
B.某个二维卷积层用于处理形状为的输入，则该卷积层无法处理形状为
的输入
C.卷积层通过填充、步幅、输入通道数、输出通道数等调节输出的形状
D.两个连续的卷积核的感受野与一个
卷积核的感受野相同
答案：B
对于高宽维度，只要输入的高宽（填充后的）大于或等于卷积核的高宽即可进行计算
5.
关于池化层，以下哪种说法是错误的：
A.池化层不参与反向传播
B.池化层没有模型参数
C.池化层通常会减小特征图的高和宽
D.池化层的输入和输出具有相同的通道数
答案：A
选项A：池化层有参与模型的正向计算，同样也会参与反向传播
选项B：池化层直接对窗口内的元素求最大值或平均值，并没有模型参数参与计算
