机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

使用卷积神经网络的深度计算机视觉

｜

431

14.11 练习题

1.　与用于图像分类的全连接的 DNN 相比，CNN 有什么优势？

2.　考虑由三个卷积层组成的 CNN，每个卷积层具有 3

×

3 内核，步幅为 2 和 "same"

填充。最低层输出 100 个特征图，中间层输出 200 个特征图，最顶层输出 400 个特

征图。输入图像是 200

×

300 像素的 RGB 图像。

CNN 中的参数总数是多少？如果我们使用的是 32 位浮点数，那么在对单个实例

进行预测时，至少该网络需要多少 RAM ？训练一个包含 50 个图像的小批量时会

怎样？

3.　如果训练 CNN 时 GPU 内存不足，可以尝试哪 5 种方法来解决这个问题？

4.　为什么要添加最大池化层而不是具有相同步幅的卷积层？

5.　你何时要添加局部响应归一化层？

6.　与LeNet-5 相比，你能说出AlexNet 的主要创新之处吗？ GoogLeNet、ResNet、

SENet 和 Xception 的主要创新是什么呢？

7.　什么是全卷积网络？如何将密集层转换为卷积层？

8.　语义分割的主要技术困难是什么？

9.　从头开始构建自己的 CNN，并尝试在 MNIST 上实现最高的准确性。

10.　将迁移学习用于大图像分类，请执行以下步骤：

a.　创建一个训练集，每个类至少包含 100 个图像。例如，你可以根据位置（海

滩、山脉、城市等）对自己的图片进行分类，或者可以使用现有的数据集（例

如来自 TensorFlow 数据集）。

b.　将其分为训练集、验证集和测试集。 ...