1.卷積神經(jīng)網(wǎng)絡(luò)主要包含哪幾層？各層作用典型層主要功能關(guān)鍵性質(zhì)卷積層以可學(xué)習(xí)卷積核在空間上做局部加權(quán)累加，提取局部特征局部連接、權(quán)重共享、參數(shù)量顯著少于全連接激活層引入非線性，使網(wǎng)絡(luò)能擬合非線性映射常見ReLU能緩解梯度消失池化層下采樣，保留主干信息、提高平移不變性，減少特征尺寸一般無可學(xué)習(xí)參數(shù)歸一化層縮放和平移中間特征，穩(wěn)定梯度、加速收斂訓(xùn)練時(shí)用批次統(tǒng)計(jì)，推斷時(shí)用移動(dòng)平均Dropout/DropPath隨機(jī)丟棄部分激活，防止過擬合只在訓(xùn)練期間啟用全連接層將卷積后的高階特征映射到類別空間或回歸輸出置于網(wǎng)絡(luò)尾部，負(fù)責(zé)最終決策2.卷積層如何提取特征？局部感受野：每個(gè)卷積核僅與輸入中的一個(gè)小窗口相乘求和，捕獲局部結(jié)構(gòu)（如邊緣、紋理）。權(quán)重共享：同一核在整個(gè)輸入平面滑動(dòng)，檢測到同一類型特征出現(xiàn)的所有位置，顯著減少參數(shù)量。多通道累加：核尺寸為k*k*C_in?。對每個(gè)輸入通道獨(dú)立乘積后再在通道維求和→融合跨通道信息。激活疊加：卷積結(jié)果經(jīng)非線性激活后層疊，淺層學(xué)低級特征，深層學(xué)高級語義。3.CNN如何緩解全連接網(wǎng)絡(luò)的參數(shù)冗余、訓(xùn)練難、過擬合？參數(shù)過多局部連接：一個(gè)輸出神經(jīng)元只連接局部像素；共享卷積核：同一核權(quán)重在全圖復(fù)用減少參數(shù)量訓(xùn)練困難參數(shù)少→更快迭代；BN、殘差等結(jié)構(gòu)改善梯度流；卷積核尺度小→初始化敏感度低。過擬合參數(shù)減少本身即正則化；加上數(shù)據(jù)增強(qiáng)、池化對小變換不變性、Dropout/DropBlock等進(jìn)一步抑制過擬合。4.輸入64×64×16，用1×1過濾器，有多少參數(shù)（含bias）？1×1核權(quán)重?cái)?shù)：1×1×16=16。bias：1。總參數(shù)=16+1=17。5.輸入12×12，過濾器4×4，步長2，padding=0時(shí)輸出規(guī)格Output

size=(N-F)/S+1=(12-4)/2+1=4+1=56.輸入7×7，核3×3，要實(shí)現(xiàn)“same”填充，P值為？P=(F?1)/2?=(3?1)/2?=17.全連接層如何完成目標(biāo)分類？展平特征h∈線性映射Z=Wh+b，其中W∈Softmax計(jì)算得到各類概率。損失函數(shù)：計(jì)算交叉熵與真標(biāo)簽y比較；反向傳播更新權(quán)重。推斷：取概率最高的類別argmax。8.CNN與全連接網(wǎng)絡(luò)的根本區(qū)別維度卷積神經(jīng)網(wǎng)絡(luò)全連接神經(jīng)網(wǎng)絡(luò)連接模式局部連接+權(quán)重共享任意兩層節(jié)點(diǎn)完全連接特征處理保留輸入的空間結(jié)構(gòu)，卷積核滑動(dòng)匯聚局部特征將輸入展平，空間/順序信息全丟失參數(shù)規(guī)模與核尺寸、通道數(shù)線性相關(guān)與輸入尺寸*輸出節(jié)點(diǎn)乘積相關(guān)，隨分辨率爆炸式增長不變性天生具有平移等局部變形不變性需靠數(shù)據(jù)增強(qiáng)或特別設(shè)計(jì)獲得9.第一層有5個(gè)7×7卷積核，stride=1，padding=0(零填充)，輸入224×224×3，輸出維度？空間尺寸：N_out=(N_in-F+2P)/S+1=(224-7+0)/1+1=2