# 学前小测2-1

**内容：** 卷积网络基础

**页面标题：** KP2-1 卷积网络基础-学前小测

**题数：** 6

## 第1题（多选题）

在实际网络设计中，填充（Padding）的选择不仅影响尺寸，还隐含了对边界信息的处理假设。下列关于填充策略及其后果的分析正确的有：

- A. Zero Padding 假设边界外信号为零，这在图像边缘检测中可能导致边界处出现虚假的低响应或伪影

- B. Reflection Padding 或 Replication Padding 通过镜像或复制边界值，在一定程度上缓解了Zero Padding引入的高频不连续性

- C. 不使用填充（Valid Padding）会导致特征图逐层收缩，这在极深网络中可能造成空间信息过早丢失，但避免了人为引入边界假设

- D. 填充操作仅改变特征图的空间尺寸，不会对卷积核的学习动态和梯度流产生任何间接影响

**正确答案：** ABC

**答案解析：**

A正确，零填充在边界制造了突变；B正确，反射/复制填充保持了边界连续性，实践中常优于零填充；C正确，Valid模式无额外假设但牺牲尺寸；D错误，填充改变了边界处的输入分布，直接影响该位置梯度的计算和权重的更新方向，进而影响学习动态。

**知识点：** 填充(padding)

## 第2题（多选题）

下列哪些因素会影响CNN中某一层输出的理论感受野大小？

- A. 该层及之前所有层的卷积核尺寸

- B. 该层及之前所有层的步长

- C. 该层及之前所有层的填充量

- D. 该层的激活函数类型

**正确答案：** ABC

**答案解析：**

理论感受野的计算仅依赖于几何结构参数：核大小、步长、填充。激活函数（D）影响有效感受野，但不改变理论感受野的定义。

**知识点：** 感受野(receptive field)

## 第3题（判断题）

参数共享机制意味着卷积神经网络对输入信号的任何几何变换（如旋转、缩放、仿射变换）都具有严格的不变性或等变性。

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

参数共享仅保证平移等变性（Translation Equivariance）。对于旋转、缩放等其他变换，标准CNN并不具备内在的不变性或等变性，需要通过数据增强或专门设计的等变网络（如Steerable CNN）来实现。该说法过度泛化了参数共享的作用范围。

**知识点：** 参数共享(parameter sharing)

## 第4题（判断题）

在深层卷积神经网络中，最后一层卷积神经元的理论感受野大小仅由该层的卷积核尺寸决定，与前层结构无关。

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

理论感受野是逐层累积的。第 $n$ 层的感受野 $R_n = R_{n-1} + (k_n - 1) \times \prod_{i=1}^{n-1} s_i$，明显依赖于前面所有层的核大小和步长乘积。仅由当前层核大小决定的说法完全错误，忽略了感受野的递归累积本质。

**知识点：** 感受野(receptive field)

## 第5题（单选题）

在对齿轮箱振动信号进行CNN建模时，若使用同一个卷积核沿时间轴滑动扫描整个信号序列，这种“参数共享”机制的主要作用是：

- A. 增加模型的自由度以提高拟合能力

- B. 确保提取的特征具有平移等变性并大幅降低参数量

- C. 将一维振动信号转换为二维时频图

- D. 自动调整卷积核大小以适应不同频率成分

**正确答案：** B

**答案解析：**

参数共享意味着同一卷积核的所有权重在滑动过程中保持不变。这使得无论故障特征出现在信号的哪个时刻，都能被同一组参数检测到（平移等变性），同时避免了为每个位置学习独立参数，从而极大降低了模型复杂度。A项错误，参数共享是减少而非增加自由度；C项属于特定变换算法而非参数共享的定义；D项错误，卷积核大小是超参数，不会因参数共享而自动调整。

**知识点：** 参数共享(parameter sharing)

## 第6题（单选题）

在齿轮箱振动信号的时频图分析网络中，设计者将卷积层的步长（stride）从1增加到2，同时保持卷积核尺寸和填充方式不变。下列关于该操作对网络性能影响的分析，正确的是：

- A. 感受野减小，计算量降低，空间分辨率提高

- B. 感受野增大，计算量降低，空间分辨率降低

- C. 感受野不变，参数量减少，平移等变性增强

- D. 感受野增大，参数量增加，高频细节保留更完整

**正确答案：** B

**答案解析：**

本题考查步长对感受野、计算量和分辨率的综合影响。步长 $S$ 增大，输出特征图尺寸 $H_{out} \approx H_{in}/S$，因此空间分辨率降低，计算量（FLOPs）显著减少。同时，步长增大会导致相邻输出神经元对应的输入区域重叠减少甚至分离，使得单个输出单元覆盖的输入范围（即感受野）相对于前一层而言跨度变大，整体网络的理论感受野随层数累积的速度加快。参数量仅由卷积核尺寸和通道数决定，与步长无关，故排除C、D。A选项中“感受野减小”错误。因此B正确。

**知识点：** 步长(stride)