# 学前小测2-2

**内容：** 卷积网络深层结构

**页面标题：** KP2-2 卷积网络深层结构-学前小测

**题数：** 6

## 第1题（多选题）

关于深度可分离卷积的两个阶段，下列对应关系正确的有（ ）。

- A. 深度卷积：每个输入通道使用独立的卷积核，输出通道数等于输入通道数

- B. 逐点卷积：使用 $1\times1$ 卷积核，实现跨通道的信息融合

- C. 深度卷积：负责改变特征图的通道数量

- D. 逐点卷积：负责提取空间局部特征

**正确答案：** AB

**答案解析：**

深度卷积（Depthwise）对每个通道单独卷积，不改变通道数，只提取空间特征，故A正确、C错误。逐点卷积（Pointwise）是 $1\times1$ 卷积，不涉及空间邻域，专门用于组合通道信息和调整通道数，故B正确、D错误。

**知识点：** 深度可分离卷积(depthwise separable convolution)；逐点卷积(pointwise convolution)

## 第2题（判断题）

在残差网络中，跳跃连接（Shortcut）必须是严格的恒等映射，不能包含任何参数或变换。（ ）

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

当输入输出维度不一致时，必须使用带参数的投影快捷方式（如 $1\times1$ 卷积）来匹配维度。此外，某些变体（如ResNeXt、SE-ResNet）也在shortcut中引入了变换。恒等映射只是特例，而非强制约束。

**知识点：** 残差连接(residual connection / ResNet)；跳跃连接(skip connection)

## 第3题（多选题）

关于批归一化（BN）在不同网络结构中的应用特性，下列说法正确的有？

- A. 在ResNet中，BN通常置于卷积之后、激活函数之前（Post-activation），但也有Pre-activation变体将BN置于卷积之前

- B. BN的可学习参数 $\gamma$ 和 $\beta$ 使得网络有能力恢复原始数据分布，保证了BN不会削弱网络表达力

- C. 在生成对抗网络（GAN）的生成器中，BN有助于缓解模式崩塌，但在判别器中通常避免使用以防止泄露批次统计信息

- D. BN对RNN/LSTM等循环网络同样适用，且效果优于CNN

**正确答案：** ABC

**答案解析：**

A正确，Pre-act ResNet改进了BN位置。B正确，$\gamma, \beta$ 保证了BN是恒等变换的特例。C正确，GAN训练中BN的使用有特定经验法则。D错误，BN在RNN中因序列长度可变和时间步依赖而难以直接应用，通常用Layer Norm替代。

**知识点：** 批归一化(batch normalization)

## 第4题（判断题）

深度可分离卷积的计算量远低于标准卷积，因此在所有硬件平台和任务场景下，用深度可分离卷积完全替代标准卷积都能获得更好的速度-精度权衡。

- A. 对

- B. 错

**正确答案：** 错

**答案解析：**

深度可分离卷积虽计算量低，但存在两个关键局限：（1）逐通道卷积缺乏跨通道信息交互，表达能力弱于标准卷积，在某些任务（如细粒度识别、高分辨率重建）中精度损失显著；（2）其内存访问模式碎片化，在GPU等并行硬件上实际推理延迟未必低于计算量更大的标准卷积（受限于内存带宽）。因此，现代轻量化网络（如EfficientNet、RegNet）均采用混合架构，仅在部分层使用深度可分离卷积，而非全盘替代。

**知识点：** 深度可分离卷积(depthwise separable convolution)

## 第5题（单选题）

残差连接解决深层网络退化问题的核心设计思路是？

- A. 删除冗余网络层，直接减少网络深度

- B. 引入恒等捷径，使新增层至少能够表示恒等映射

- C. 大幅增大学习率，加快网络收敛速度

- D. 对原始输入数据做归一化预处理

**正确答案：** B

**答案解析：**

残差连接通过跳跃连接构建恒等捷径，让新增层至少可实现恒等映射，从结构上缓解深层网络的退化问题。

**知识点：** 深层网络退化问题；残差连接(residual connection / ResNet)；跳跃连接(skip connection)

## 第6题（单选题）

对于输入通道数为$C_{in}$、输出通道数为$C_{out}$、卷积核尺寸为$K\times K$的卷积层，采用深度可分离卷积时，逐点卷积对应的卷积核尺寸是？

- A. $K\times K$

- B. $1\times1$

- C. $3\times3$

- D. $K\times1$

**正确答案：** B

**答案解析：**

深度可分离卷积中的逐点卷积采用$1\times1$尺寸的卷积核，负责实现跨通道的特征融合与通道数变换。

**知识点：** 深度可分离卷积(depthwise separable convolution)；逐点卷积(pointwise convolution)