标签：CNN

理解 1×1 卷积的跨通道融合与降维能力、全局平均池化的空间压缩作用，以及两者配合彻底去除全连接层从而大幅减参、支持任意输入尺寸的原理

理解 ImageNet 竞赛的背景、AlexNet 以 ReLU/Dropout/GPU 并行等创新大幅刷新 Top-5 错误率的历史意义，以及其八层网络架构与 PyTorch 实现

理解 CNN 各模块（卷积/激活/池化/Flatten/全连接/Dropout）的职责，通过一个手写数字识别网络逐层计算参数，掌握"尺寸缩小、通道增多"的结构规律

理解感受野随层数增加而扩大的规律、卷积核选奇数且常为 3×3 的原因、步长与 Padding 的作用，以及特征图输出尺寸的核心计算公式

理解 Inception 模块"不做选择全都要"的设计思想、1×1 卷积降维如何把参数和计算量缩减到十分之一，以及 GoogLeNet 的架构与辅助分类器的创新

理解 LeNet-5 的里程碑地位、逐层网络结构与尺寸变化、PyTorch 实现，以及它开创的卷积+池化+全连接范式如何奠定现代 CNN 的基础

理解最大池化与平均池化的操作过程、池化的三大作用、多通道池化为何不改变通道数，以及池化与卷积层的本质区别

理解卷积运算的完整过程（滑动扫描→加权求和→加偏置→激活）、多通道与多 Filter 的维度变化、卷积与全连接的本质关系，以及卷积核如何检测边缘的直观例子

理解图像数据的三大特性（输入特征多、局部性、平移不变性），以及它们如何暴露全连接网络的致命缺陷，引出卷积神经网络的设计动机