🧠 深度学习ID: convolution-basics

卷积与感受野

Q: 手算输出尺寸: 输入 224×224, 5×5 卷积核, stride=2, padding=1, 输出多大?

【卷积与感受野 核心考点 1】手算输出尺寸: 输入 224×224, 5×5 卷积核, stride=2, padding=1, 输出多大?。技术解析：定义: 卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入 H \times W \times C_{in}, 卷积核 k_h \times k_w \times C_{in} \times C_{out}, 输出尺寸 H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1(W 同理, p 为 padding、s 为 stride); 每层参数量 k_h k_w C_{in} C_{out} + C_{out}(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/convolution-basics

Q: 手算参数量: 3×3 卷积, 输入 64 通道输出 128 通道(含 bias)有多少参数?

【卷积与感受野 核心考点 2】手算参数量: 3×3 卷积, 输入 64 通道输出 128 通道(含 bias)有多少参数?。技术解析：定义: 卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入 H \times W \times C_{in}, 卷积核 k_h \times k_w \times C_{in} \times C_{out}, 输出尺寸 H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1(W 同理, p 为 padding、s 为 stride); 每层参数量 k_h k_w C_{in} C_{out} + C_{out}(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/convolution-basics

Q: 参数共享和局部连接分别解决了什么问题? 为什么卷积参数量与输入分辨率无关?

【卷积与感受野 核心考点 3】参数共享和局部连接分别解决了什么问题? 为什么卷积参数量与输入分辨率无关?。技术解析：定义: 卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入 H \times W \times C_{in}, 卷积核 k_h \times k_w \times C_{in} \times C_{out}, 输出尺寸 H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1(W 同理, p 为 padding、s 为 stride); 每层参数量 k_h k_w C_{in} C_{out} + C_{out}(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/convolution-basics

Q: 一个 5×5 卷积和一个 3×3+3×3 堆叠感受野相同, 参数量分别是多少? 省了多少?

【卷积与感受野 核心考点 4】一个 5×5 卷积和一个 3×3+3×3 堆叠感受野相同, 参数量分别是多少? 省了多少?。技术解析：定义: 卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入 H \times W \times C_{in}, 卷积核 k_h \times k_w \times C_{in} \times C_{out}, 输出尺寸 H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1(W 同理, p 为 padding、s 为 stride); 每层参数量 k_h k_w C_{in} C_{out} + C_{out}(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/convolution-basics

Q: 1×1 卷积的作用是什么? 空洞卷积(dilated conv)如何在不降分辨率的前提下扩大感受野?

【卷积与感受野 核心考点 5】1×1 卷积的作用是什么? 空洞卷积(dilated conv)如何在不降分辨率的前提下扩大感受野?。技术解析：定义: 卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入 H \times W \times C_{in}, 卷积核 k_h \times k_w \times C_{in} \times C_{out}, 输出尺寸 H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1(W 同理, p 为 padding、s 为 stride); 每层参数量 k_h k_w C_{in} C_{out} + C_{out}(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/convolution-basics

Convolution Basics

🎯核心定义

卷积是 CNN 的基础算子, 两大核心特性——参数共享与局部连接。输入

H \times W \times C_{in}

, 卷积核

k_h \times k_w \times C_{in} \times C_{out}

, 输出尺寸

H_{out} = \lfloor\frac{H+2p-k}{s}\rfloor + 1

(W 同理, p 为 padding、s 为 stride); 每层参数量

k_h k_w C_{in} C_{out} + C_{out}

(含偏置)。参数共享: 同一滤波器在整幅图上滑动, 参数量与输入分辨率无关; 局部连接: 每个输出像素仅依赖输入的

k_h \times k_w \times C_{in}

局部窗口。

💡使用场景

图像分类/检测/分割的特征提取基础; 面试高频手算题——输出尺寸、参数量、1×1 卷积的通道混合作用、空洞卷积在分辨率不变下扩大感受野、以及“为什么卷积比全连接层参数少”。

⚡解决的核心痛点

相对全连接层, 参数量从

O(HW C_{in} \times HWC_{out})

降为

O(k_h k_w C_{in} C_{out})

——3×3 核、数百通道下约降低数万倍, 并把图像局部性与平移等变先验直接编码进结构, 使大分辨率输入上的深层网络训练成为可能。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【卷积与感受野】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【卷积与感受野】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

手算输出尺寸: 输入 224×224, 5×5 卷积核, stride=2, padding=1, 输出多大?

手算参数量: 3×3 卷积, 输入 64 通道输出 128 通道(含 bias)有多少参数?

参数共享和局部连接分别解决了什么问题? 为什么卷积参数量与输入分辨率无关?

一个 5×5 卷积和一个 3×3+3×3 堆叠感受野相同, 参数量分别是多少? 省了多少?

1×1 卷积的作用是什么? 空洞卷积(dilated conv)如何在不降分辨率的前提下扩大感受野?

📖 关联深度指南:📄 cnn-and-vit-architectures →

更新于 2026-08-12

🎯

检验攻克程度：针对「卷积与感受野」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点权重衰减与 AdamW 下一个知识点 →感受野与 FLOPs 计算

卷积与感受野

🔗 更多 深度学习 知识点卡片

🔗 更多深度学习知识点卡片