??博主會經常分享自己在人工智能階段的學習筆記，歡迎大家訪問我滴個人博客！（養成系Blog！）

小牛壯士滴Blog~ - 低頭趕路 敬事如儀https://kukudelin.top/

01-卷積基礎知識

問：簡述卷積基本操作，分析其與全連接層的區別

答：卷積操作是卷積神經網絡的核心，用于提取數據的局部特征，他的兩大特性是局部連接，參數共享。

卷積層通過一個卷積核在輸入數據上滑動，逐步將與卷積核對應的元素相乘后求和得到一個標量值，最終生成一個輸出特征圖，通過局部連接和參數共享，能夠高效的提取局部特征，同時減少參數量

而全連接層中的不同神經元是的參數不同，數量較多，計算量也更大。他將卷積層提取的特征進行綜合處理，輸出最終的預測結果，適合處理一維的特征向量。

問：卷積神經網絡中，如何計算各層感受野大小

答：感受野是指網絡中某個神經元能夠感知到的輸入數據的區域大小，感受野越大，神經元能夠感知到的輸入數據的范圍就越廣

其中R是感受野，k是卷積核大小，s是步長

問：卷積層，池化層，全連接層的作用是什么？

答：

• 卷積層：提取輸入數據的局部特征，通過多層結構逐步提取更高級別的特征。（特征提取）

• 池化層：降低特征圖的空間維度，保留重要信息，減少計算量，增強平移不變性。（降維）

• 全連接層：綜合處理提取的特征，輸出最終的分類或回歸結果。（分類）

02-卷積的變種

問：簡述分組卷積及其應用場景

答：分組卷積將輸入通道分成多個組進行獨立的卷積運算，能夠顯著提高計算效率盒模型的非線性能力

目前分組卷積更多被用來構建用于移動設備的小型網絡結構，例如深度可分離卷積

03-卷積神經網絡的整體結構

問：簡述經典卷積神經網絡發展和變遷

答：LeNet：簡單的卷積層和池化層堆疊，參數有限，難以處理復雜的圖像任務，用于識別手寫數字

AlexNet：引入RELU激活函數解決了梯度消失的問題，加速了訓練；使用Dropout來防止過擬合；使用GPU對模型進行加速。但是網絡較深，參數量巨大

VGG：使用3×3卷積核替代大卷積核，減少了參數量的同時通過堆疊小卷積核增強了模型的非線性能力。但是參數量巨大

GoogLeNet：使用并行的卷積和池化操作的Inception模塊增加網絡深度和寬度，同時減小參數量；在分類的最后使用全局平均池化提高模型的泛化能力

ResNet：通過殘差模塊解決了深層網絡訓練的梯度消失問題，應用批量歸一化加速了模型訓練過程

04-卷積神經網絡基礎組件

問：批量歸一化是為了解決什么問題？它的參數有什么意義？在網絡中一般放在什么位置？☆

答：批量歸一化主要用于解決“內部協變量偏移”的問題（訓練過程中，每一層的輸入分布會隨著前面層的參數更新而發生變化。這種輸入分布的變化會影響網絡的訓練速度和穩定性，導致訓練過程變得復雜且難以收斂），批量歸一化通過歸一化每一層的輸入，使均值為0，方差為1，從而穩定訓練過程，加速收斂，并且一定程度上環節梯度消失和爆炸的問題

BN引入兩個參數（在反向傳播中更新）：縮放參數γ：恢復特征尺度；偏移參數β：恢復特征的偏移

?

接收上一層輸出作為x，經過變換的y輸入下一層

位置：激活函數前后

問：用于分類任務的卷積神經網絡的最后幾層一般是什么層？可以用什么來替代？

答：網絡末端一般是全連接層，也可以用全局平均池化來替代，能夠使參數量和計算量大大降低，并且具有較好的可解釋性