差别
这里会显示出您选择的修订版和当前版本之间的差别。
| 两侧同时换到之前的修订记录 前一修订版 后一修订版 | 前一修订版 | ||
| 深度学习:卷积神经网络 [2026/03/02 22:13] – [一、选择题] 张叶安 | 深度学习:卷积神经网络 [2026/03/02 22:15] (当前版本) – [4. 答案与解析] 张叶安 | ||
|---|---|---|---|
| 行 572: | 行 572: | ||
| 1. **答案：B** | 1. **答案：B** | ||
| - | 解析：权值共享使同一个卷积核在输入的不同位置使用相同参数，大幅减少参数量。 | + | |
| + | 解析：权值共享使同一个卷积核在输入的不同位置使用相同参数，大幅减少参数量。 | ||
| 2. **答案：C** | 2. **答案：C** | ||
| - | 解析：$H_{out} = \lfloor \frac{7 + 0 - 3}{2} \rfloor + 1 = \lfloor 2 \rfloor + 1 = 3$ | + | |
| + | 解析：$H_{out} = \lfloor \frac{7 + 0 - 3}{2} \rfloor + 1 = \lfloor 2 \rfloor + 1 = 3$ | ||
| 3. **答案：B** | 3. **答案：B** | ||
| - | 解析：残差连接（Skip Connection）是ResNet的核心创新，允许梯度直接传播，解决深层网络的退化问题。 | + | |
| + | 解析：残差连接（Skip Connection）是ResNet的核心创新，允许梯度直接传播，解决深层网络的退化问题。 | ||
| 4. **答案：B** | 4. **答案：B** | ||
| - | 解析：空洞卷积在卷积核中插入空洞，可以在不增加参数的情况下扩大感受野。 | + | |
| + | 解析：空洞卷积在卷积核中插入空洞，可以在不增加参数的情况下扩大感受野。 | ||
| 5. **答案：D** | 5. **答案：D** | ||
| - | 解析：两个$3 \times 3$卷积参数量为$2 \times 3 \times 3 = 18$，一个$5 \times 5$为25，参数量减少而非增加。 | + | |
| + | 解析：两个$3 \times 3$卷积参数量为$2 \times 3 \times 3 = 18$，一个$5 \times 5$为25，参数量减少而非增加。 | ||
| **二、填空题答案：** | **二、填空题答案：** | ||
| 6. **答案：1** | 6. **答案：1** | ||
| - | 解析：标准卷积输出尺寸公式。 | + | |
| + | 解析：标准卷积输出尺寸公式。 | ||
| 7. **答案：**降维（或减少通道数）；通道混合（或特征融合） | 7. **答案：**降维（或减少通道数）；通道混合（或特征融合） | ||
| - | 解析：$1 \times 1$卷积在Inception中用于减少计算量和混合不同通道的信息。 | + | |
| + | 解析：$1 \times 1$卷积在Inception中用于减少计算量和混合不同通道的信息。 | ||
| 8. **答案：**深度（Depthwise）；逐点（Pointwise） | 8. **答案：**深度（Depthwise）；逐点（Pointwise） | ||
| - | 解析：深度可分离卷积先对每个通道单独卷积，再用$1 \times 1$卷积混合通道。 | + | |
| + | 解析：深度可分离卷积先对每个通道单独卷积，再用$1 \times 1$卷积混合通道。 | ||
| 9. **答案：**ReLU；Dropout | 9. **答案：**ReLU；Dropout | ||
| - | 解析：AlexNet首次在大规模CNN中使用ReLU和Dropout。 | + | |
| + | 解析：AlexNet首次在大规模CNN中使用ReLU和Dropout。 | ||
| 10. **答案：**$1 \times 1$（或1×1） | 10. **答案：**$1 \times 1$（或1×1） | ||
| - | | + | |
| + | 解析：全局平均池化对整个特征图取平均，输出单个值。 | ||
| **三、计算题答案：** | **三、计算题答案：** | ||
| 11. **解答：** | 11. **解答：** | ||
| - | | + | |
| - | $= 512 \times 3 \times 3 \times 256$ | + | 权重参数 = $C_{out} \times k \times k \times C_{in}$ |
| - | $= 512 \times 9 \times 256$ | + | |
| - | $= 1179648$ | + | $= 512 \times 3 \times 3 \times 256$ |
| + | |||
| + | $= 512 \times 9 \times 256$ | ||
| + | |||
| + | $= 1179648$ | ||
| | | ||
| - | | + | 偏置参数 = 512 |
| | | ||
| - | | + | 总参数量 = $1179648 + 512 = 1180160$（约118万） |
| 12. **解答：** | 12. **解答：** | ||
| - | | + | |
| - | - 初始：$RF_0 = 1$ | + | 逐层计算感受野： |
| - | - 第一层：$RF_1 = 1 + (3-1) \times 1 = 3$ | + | - 初始：$RF_0 = 1$ |
| - | - 第二层：$RF_2 = 3 + (3-1) \times 1 = 5$ | + | - 第一层：$RF_1 = 1 + (3-1) \times 1 = 3$ |
| - | - 第三层：$RF_3 = 5 + (3-1) \times 1 = 7$ | + | - 第二层：$RF_2 = 3 + (3-1) \times 1 = 5$ |
| + | - 第三层：$RF_3 = 5 + (3-1) \times 1 = 7$ | ||
| | | ||
| - | | + | 最终感受野为$7 \times 7$。 |
| | | ||
| - | | + | 验证：三个$3 \times 3$卷积的堆叠等价于一个$7 \times 7$卷积的感受野。 |
| 13. **解答：** | 13. **解答：** | ||
| - | | + | |
| - | 输出尺寸：$64 \times 64$，输出通道256 | + | **标准卷积计算量**： |
| - | 每个输出点的计算：$3 \times 3 \times 128$次乘加 | + | |
| - | 总计算量 = $64 \times 64 \times 256 \times 3 \times 3 \times 128$ | + | 输出尺寸：$64 \times 64$，输出通道256 |
| - | $= 4096 \times 256 \times 9 \times 128$ | + | |
| - | $= 1207959552$（约12亿次乘加） | + | 每个输出点的计算：$3 \times 3 \times 128$次乘加 |
| + | |||
| + | 总计算量 = $64 \times 64 \times 256 \times 3 \times 3 \times 128$ | ||
| + | |||
| + | $= 4096 \times 256 \times 9 \times 128$ | ||
| + | |||
| + | $= 1207959552$（约12亿次乘加） | ||
| | | ||
| - | | + | **深度可分离卷积计算量**： |
| - | 深度卷积：$64 \times 64 \times 128 \times 3 \times 3 = 4718592$ | + | |
| - | 逐点卷积：$64 \times 64 \times 128 \times 256 = 134217728$ | + | 深度卷积：$64 \times 64 \times 128 \times 3 \times 3 = 4718592$ |
| - | 总计算量 = $138936320$（约1.39亿次） | + | |
| + | 逐点卷积：$64 \times 64 \times 128 \times 256 = 134217728$ | ||
| + | |||
| + | 总计算量 = $138936320$（约1.39亿次） | ||
| | | ||
| - | | + | 深度可分离卷积计算量约为标准卷积的11.5%，显著降低了计算开销。 |
张叶安