📚 课程目录第4章卷积神经网络核心原理

卷积神经网络核心原理：卷积、池化、激活函数、反向传播

概念	核心作用	必知参数/方式	面试高频点
卷积	特征提取、感受野、权值共享	kernel size, stride, padding, dilation	参数量计算、感受野推导
池化	下采样、降维、平移/旋转不变性	MaxPool, AvgPool, GlobalPool	池化反向传播如何处理
激活函数	引入非线性、梯度流动控制	ReLU, LeakyReLU, Swish	ReLU死亡、梯度饱和问题
反向传播	链式法则求导、参数更新	梯度计算、学习率、优化器	卷积层/池化层梯度推导

Q1：请详细解释卷积操作中感受野、权值共享和局部连接的含义及优势。

高频基础原理

面试官考察点	是否真正理解CNN设计思想；能否从参数效率和特征提取角度解释三个概念。
回答框架	分别定义三个概念 → 结合公式/图说明 → 对比全连接突出优势 → 总结参数量减少效果。
示例回答	感受野指输出特征图上一像素对应输入区域的面积，越大捕获全局信息越强。权值共享指同一卷积核滑过整个输入，极大减少参数量。局部连接保证每个神经元只连接局部像素，符合图像局部相关性，三者共同使CNN参数比全连接减少几个数量级。
可能追问	如何计算有效感受野？空洞卷积如何影响感受野？
避坑提醒	避免只背定义，要说出“局部连接提取边缘→高层组合语义”的层次逻辑，体现设计动机。

Q2：CNN中为什么需要池化层？常见的池化方式有哪些？如何选择？

高频对比

面试官考察点	是否理解池化的真正作用（降维/不变性/防止过拟合）；能否在不同场景合理选择池化方式。
回答框架	目的（降维+平移不变性+减少参数） → 常见方式（Max/Avg/Global） → 适用场景 → 现代网络趋势（逐步用stride卷积替代）。
示例回答	池化主要降低空间维度，减少后续层计算量，同时提供平移和旋转不变性。MaxPool保留最显著特征，适合边缘检测；AvgPool保留整体信息，适合平滑特征。GlobalAvgPool常用在分类头替代全连接。现在许多网络（如ResNet）用stride卷积代替池化，以保留更多空间信息。
可能追问	池化的反向传播如何处理？为什么YOLO系列很少用池化？
避坑提醒	不要只强调“减小尺寸”，要提“不变性”和“防止过拟合”；回答时举例说明MaxPool的“max位置记录”机制。

Q3：请解释反向传播算法在CNN中的实现过程，特别是卷积层和池化层的梯度计算。

难点模型原理

面试官考察点	是否真正手推过CNN反向传播；能否清晰描述卷积层梯度如何回传、池化层如何upsample。
回答框架	总体链式法则 → 全连接层梯度（略）→ 卷积层：对输入和权值分别求导（卷积转置操作）→ 池化层：MaxPool记录位置/AvgPool均匀分配 → 激活函数梯度（ReLU等）。
示例回答	卷积层反向传播：接收到上一层梯度后，先与卷积核旋转180°做互相关（实际为卷积转置）得到输入梯度；权值梯度则由输入特征图与输出梯度做卷积。MaxPool反向传播：将梯度放回前向时最大值位置，其余位置补0。AvgPool：梯度平均分配到池化窗口每个位置。
可能追问	如果池化窗口有重叠怎么办？如何实现1×1卷积的反向传播？
避坑提醒	务必说清楚“卷积层梯度计算中核要旋转180°”这一关键细节；手写推导时注意维度对齐。

  💡 讲义核心提示

  • 卷积、池化、激活、反向传播是CNN四大基石，面试必考。

  • 掌握 conv2d 的 im2col 优化原理可加分。

  • 推荐阅读：CS231n 笔记、Deep Learning (Goodfellow) 第9章。

  • 动手实现一个简易CNN（numpy）是理解反向传播的最佳路径。