moea_joint
106年
[統計資訊] 統計學、巨量資料概論
第 30 題
有關應用卷積神經網路(Convolutional Neural Networks，簡稱 CNNs)於影像分析之敘述，下列何者正確？
① 較前面的處理層 (Layer) 過濾器通常可包含邊緣偵測器 (Edge Detector)
② 和擁有相同層數以及每層內有相同神經元個數的全連通網路 (Fully-connected Networks)比起來，CNNs用有更多參數
③ 一個 CNN 可用來訓練非監督式學習模型，但一般的類神經網路則不行
④ 池化層(Pooling Layers) 可降低影像的空間解析度
① 較前面的處理層 (Layer) 過濾器通常可包含邊緣偵測器 (Edge Detector)
② 和擁有相同層數以及每層內有相同神經元個數的全連通網路 (Fully-connected Networks)比起來，CNNs用有更多參數
③ 一個 CNN 可用來訓練非監督式學習模型，但一般的類神經網路則不行
④ 池化層(Pooling Layers) 可降低影像的空間解析度
- A ① ②
- B ② ③
- C ③ ④
- D ① ④
思路引導 VIP
想像你正在處理一張非常巨大的相片，如果我們要求相片中的每一個像素都必須與後方層級的所有神經元『一對一』建立獨立的連線，這對電腦的記憶體負擔會發生什麼變化？反過來說，如果我們拿著同一個『放大鏡』在整張相片上移動，試圖尋找相同的形狀特徵，這種『重複使用相同標準』的做法，會如何影響我們需要記錄的參數數量與運算效率呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準選出 (D)，代表你對卷積神經網路 (CNN) 的核心架構與運作邏輯有非常扎實的理解。這道題目設計得很巧妙，它不僅測試基本定義，更在考驗你是否理解 CNN 為什麼在處理影像資料上比傳統架構更具優勢。
CNN 的層級特徵與空間降維
在 CNN 的運作中，較前面的卷積層就像是特徵提取器，利用過濾器捕捉影像中的低階資訊，如邊緣 (Edges) 或紋理；而池化層 (Pooling) 的核心功能則是下採樣 (Downsampling)，它能有效降低影像的空間解析度，進而減少運算量並提取最具代表性的特徵。這兩者的結合，正是 CNN 處理視覺資訊如此強大的原因。
▼ 還有更多解析內容