sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第一周测验

最新推荐文章于 2026-01-04 17:11:52 发布
原创 最新推荐文章于 2026-01-04 17:11:52 发布 · 1.4k 阅读 · 25 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

文章是一份关于图像处理和卷积神经网络的测验，涉及滤波器对图像边缘检测的影响、神经网络参数计算、卷积层参数数量、池化操作、参数共享和稀疏连接的概念等。

课程4_第1周_测验题

目录

第一题

1.你认为把下面这个过滤器应用到灰度图像会怎么样？

[ 0 1 − 1 0 1 3 − 3 − 1 1 3 − 3 − 1 0 1 − 1 0 ] \begin{bmatrix} 0 & 1 & -1 & 0\\ 1 & 3 & -3 & -1\\ 1 & 3 & -3 & -1\\ 0 & 1 & -1 & 0 \end{bmatrix} ​0

最低0.47元/天 解锁文章
sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第三周测验
coldstarry的专栏
12-26 1359
饮料罐头是圆的，而包装盒是方的，每一罐饮料的大小是一样的，每个图像中最多只有一罐饮料，现在你有下面的方案可供选择，这里有一些训练集图像，你的神经网络最合适的输出单位是什么？5.当你训练一个视频中描述的对象检测系统时，里需要一个包含了检测对象的许多图片的训练集，然而边界框不需要在训练集中提供，因为算法可以自己学习检测对象，这个说法对吗？9.假如你在下图中的预测框中使用非最大值抑制，其参数是放弃概率≤ 0.4的框，并决定两个框IoU的阈值为0.5，使用非最大值抑制后会保留多少个预测框？B.【 √ 】逻辑单元，
sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第四周测验
coldstarry的专栏
12-26 1250
10.你现在用拥有的是3D的数据，现在构建一个网络层，其输入的卷积是32×32×32×1632×32×32×16（此卷积有16个通道），对其使用3232个3×3×33×3×3的过滤器（无填充，步长为1）进行卷积操作，请问输出的卷积是多少？6.你在一个拥有100种不同的分类的数据集上训练一个卷积神经网络，你想要知道是否能够找到一个对猫的图片很敏感的隐藏节点（即在能够强烈激活该节点的图像大多数都是猫的图片的节点），你更有可能在第4层找到该节点而不是在第1层更有可能找到。B.【 √ 】为了解决一次学习的问题。
sheng的学习笔记-【中】【吴恩达课后测验】Course 4 -卷积神经网络 - 第二周测验
coldstarry的专栏
12-26 1286
4.训练更深层的网络（例如，在网络中添加额外的层）可以使网络适应更复杂的功能，因此几乎总是会导致更低的训练错误。对于这个问题，假设是指“普通”网络。3.为了构建一个非常深的网络，我们经常在卷积层使用“valid”的填充，只使用池化层来缩小激活值的宽/高度，否则的话就会使得输入迅速的变小。B. 【  】Inception 块通常使用1x1的卷积来减少输入卷积的大小，然后再使用3x3和5x5的卷积。B.【 √ 】Inception 块通常使用1x1的卷积来减少输入卷积的大小，然后再使用3x3和5x5的卷积。
sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第一周测验
coldstarry的专栏
10-04 824
吴恩达深度学习测验
sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第一周测验
coldstarry的专栏
10-04 1112
吴恩达深度学习测验
sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第三周测验
coldstarry的专栏
10-04 1155
吴恩达深度学习测验
sheng的学习笔记-【中】【吴恩达课后测验】Course 5 - 序列模型 - 第一周测验
coldstarry的专栏
12-02 588
9.下面有一些GRU和LSTM的方程，从这些我们可以看到，在LSTM中的更新门和遗忘门在GRU中扮演类似 ___ 与 ___ 的角色，空白处应该填什么？7.假设你正在训练一个LSTM网络，你有一个10,000词的词汇表，并且使用一个激活值维度为100的LSTM块，在每一个时间步中，6.你正在训练一个RNN网络，你发现你的权重与激活值都是“NaN”，下列选项中，哪一个是导致这个问题的最有可能的原因？你已经收集了过去365天的天气数据。A. 【  】(1)使用RNN输出的概率，选择该时间步的最高概率单词作为。
sheng的学习笔记-【中文】【吴恩达课后测验】Course 2 - 改善深层神经网络 - 第二周测验
coldstarry的专栏
10-04 1469
吴恩达深度学习测验
sheng的学习笔记-【中文】【吴恩达课后测验】Course 1 - 神经网络和深度学习 - 第三周测验
coldstarry的专栏
10-04 2858
吴恩达深度学习测验
精选资源
吴恩达课后编程作业】Course 4 - 卷积神经网络 - 第三周作业 - 车辆识别YOLO.zip
01-30
YOLO,吴恩达课后编程作业,Course 4 - 卷积，训练model_data/yolov2.h5的项目，直接下载，查看我发的另一篇博客关于这个资源的使用
精选资源
【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第一周作业(1&2&3).zip
02-22
这个压缩包文件“【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第一周作业(1&2&3).zip”包含了完成吴恩达深度学习课程第二部分，关于优化深层神经网络的第一周作业所需的所有资源。吴恩达是一位知名的...
精选资源
【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第三周作业 - TensorFlow入门.zip
02-22
在本压缩包“【吴恩达课后编程作业】Course 2 - 改善深层神经网络 - 第三周作业 - TensorFlow入门.zip”中，我们聚焦于吴恩达教授的深度学习课程第二部分，主题是如何优化深层神经网络。在这个阶段，我们将深入理解...
如何评估 CNN 模型在验证码识别任务中的性能？
最新发布
Data_agent19970108018
01-04 710
摘要：验证码识别作为多字符序列分类任务，需关注整串准确率（业务核心）和单字符准确率（问题定位）。核心指标包括整串准确率（≥90%实用）、单字符准确率、混淆矩阵（定位易混淆字符）及推理速度（≤100ms/张）。评估需独立测试集（≥1000样本），通过损失曲线判断过拟合/欠拟合。调优方向包括：整串错误优化预处理或CTC模型，单字符错误补充样本，过拟合增强数据或轻量化模型，速度慢则量化或硬件加速。进阶测试需涵盖噪声、跨场景及概率阈值优化。评估旨在针对性改进，需综合多指标而非仅看准确率。
深度学习—卷积神经网络（4）
weixin_62919816的博客
01-03 213
感受野(Receptive field）深度学习—卷积神经网络（4）
基于深度学习的车牌识别系统
qq_35827191的博客
01-02 1114
本文提出了一种基于深度学习的车牌识别系统解决方案，采用模块化设计架构，包含车辆检测(YOLOv3-tiny)、车牌定位(RetinaNet)和字符识别(LPRNet)三大核心模块。系统通过轻量级模型实现实时处理能力，利用特征金字塔网络和Focal Loss优化小目标检测效果，并采用端到端的字符识别方案。文章详细阐述了技术选型依据、网络结构原理、代码实现细节及环境配置要求，为车牌识别系统的开发提供了完整的实践指导。该系统可广泛应用于智能交通、安防监控等场景，具有良好的实用价值。
深度学习资源合集
宝宝单机的博客
01-02 691
【深度学习新浪潮】本地文档总结引擎部署全攻略（二）：增量更新、自定义模板与实战汇报生成
12-31 149
基础系统的总结格式由固定，无法满足不同汇报场景（如周汇报、月汇报、项目总结）的需求。通过自定义Prompt模板，我们可以定义灵活的输出格式，支持模板变量（如文档名称、时间范围、汇报人）。在from llama_index . core . prompts import PromptTemplate from llama_index . core . query_engine import CustomQueryEngine # 定义常用汇报模板 REPORT_TEMPLATES = {
结合 Swin Transformer 与 LSTM 的残差自回归模型，用于高精度光学波前时序预测与相位重建
12-31 505
本文提出SwinLSTM模型，将Swin-Transformer融入LSTM细胞内部，通过窗口注意力机制替代传统卷积进行时空融合。创新点包括：1）在门控前使用Swin block进行空间-上下文交互；2）采用残差预测框架输出变化量Δ，提升对光学波前信号的建模能力；3）实现可控教师强制策略，使训练与评估逻辑一致；4）构建面向Zernike系数序列的端到端处理流程，支持从系数到相位图的可视化转换。实验表明，该方法在建模光学波前等时空信号时，相比传统ConvLSTM能更好地捕获长程依赖关系。完整实现代码已在k学长
深度学习—卷积神经网络（2）
renjt01的博客
12-30 145
深度学习—卷积神经网络（2） 2.DNN与CNN的区别 3.卷积的数学定义 4.CNN的结构组成 卷积层 #人工智能#具身智能#VLA#大模型#AI#LLM#Transformer 架构#AI技术前沿#Agent大模型#工信部证书#人工智能证书#职业证书
【吴恩达课后编程作业】 卷积神经网络 - 第二周作业 pytorch
09-10
参考引用内容，有关于吴恩达深度学习课程中可能涉及卷积神经网络第二周作业Pytorch实现的相关信息。在引用[1]中提到是吴恩达深度学习课程第五章第二周编程作业（Pytorch实现），虽然未明确提及是卷积神经网络，但可推测可能相关。该引用指出原博客代码用tensorflow，而此作业使用Pytorch框架完成，同时提醒开始作业前要安装好Pytorch环境，代码可在服务器利用GPU加速运行，CPU版本的Pytorch也能运行，只是速度较慢，并且提到作业第一部分是词向量运算，不过未给出卷积神经网络相关代码。 引用[2]给出了部分代码，包含载入库和数据预处理部分，可能是该作业实现的一部分： ```python import torch from torch.utils.data import DataLoader, TensorDataset from torch import nn import numpy as np from matplotlib import pyplot as plt from cnn_utils import load_dataset # 数据预处理 # 设置随机种子 torch.manual_seed(1) # 载入数据 X_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset() # 可视化一个样本 index = 6 plt.imshow(X_train_orig[index]) print('y=' + str(np.squeeze(Y_train_orig[:, index]))) plt.show() # 归一化数据集 X_train = np.transpose(X_train_orig, (0, 3, 1, 2))/255 # 将维度转为(1080, 3, 64, 64) X_test = np.transpose(X_test_orig, (0, 3, 1, 2))/255 # 将维度转为(120, 3, 64, 64) # 转置y Y_train = Y_train_orig.T # (1080, 1) Y_test = Y_test_orig.T # (120, 1) print('number of training examples = ' + str(X_train.shape[0])) print('number of test examples = ' + str(X_test.shape[0])) print('X_train shape: ' + str(X_train.shape)) print('Y_train shape: ' + str(Y_train.shape)) print('X_test shape: ' + str(X_test.shape)) print('Y_test shape: ' + str(Y_test.shape)) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值