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(jiàn)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(wú)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(guò)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(lèi)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(cè)到同一類(lèi)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(duì)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(jí)特征，深層學(xué)高級(jí)語(yǔ)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(guò)擬合？參數(shù)過(guò)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(guò)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(duì)小變換不變性、Dropout/DropBlock等進(jìn)一步抑制過(guò)擬合。4.輸入64×64×16，用1×1過(guò)濾器，有多少參數(shù)（含bias）？1×1核權(quán)重?cái)?shù)：1×1×16=16。bias：1?？倕?shù)=16+1=17。5.輸入12×12，過(guò)濾器4×4，步長(zhǎng)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(lèi)？展平特征h∈線性映射Z=Wh+b，其中W∈Softmax計(jì)算得到各類(lèi)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(lèi)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(zhǎng)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