CNN神经网络对图像特征提取带来了变革性的变化，使之前的人工特征提取升级到数据驱动的自动特征提取，在CNN中，起到特征提取作用的网络层是： A: convolution层 B: fullconnect层 C: maxpooling层 D: norm层

现有一个两层的卷积神经网络，第一层是常规的卷积层，输入输出的通道数为3和64，卷积核大小为3×3；第二层是分组卷积层（group convolution layer）,分为4组，输入输出通道数为64和32，卷积核大小为3×3。则该网络的参数个数为（）

卷积神经网络（CNN）是一种多层神经网络，其特点包括（ ）。 A: 特征提取层（convolution层）、特征映射层（pooling层）、分类层的组合 B: 神经网络的隐层模仿视觉皮层神经元的局部接受信息方式 C: 在图像识别等应用中，能够通过卷积运算等逐层自动提取特征 D: 2个神经元相乘产生下一个神经元

卷积神经网络（CNN）是一种多层神经网络，其特点包括（） A: 是特征提取层（convolution层）、特征映射层（pooling层）、传统神经网络层的组合 B: 每层由多个二维平面组成，每个平面由多个独立神经元组成 C: 在图像识别等应用中，能够通过卷积运算等逐层自动提取特征 D: 是一种无监督（unsupervised）机器学习模型

卷积神经网络(CNN)是一种多层神经网络,下列关于CNN的说法错误的是( ) A: 图像识别等应用中,能够通过卷积运算等逐层自动提取特征。 B: 是特征提取层(convolution层)、特征映射层(pooling层)、传统神经网络层的组合。 C: 是一种无监督(unsupervised)机器学习模型。 D: 每层由多个二维平面组成,每个平面由多个独立神经元组成。