1卷积层、参数共享与感受野
闭卷重建卷积层、参数共享与感受野的对象、公式、算例、算法与失败边界。
计算机视觉 · 小纸条
选一章打印。双面打印（按长边翻页）后沿虚线剪开，每张卡片正面题目、背面答案。
第 1 页 · 正面（题目）
2多层感受野与下采样
闭卷重建多层感受野与下采样的对象、公式、算例、算法与失败边界。
3反向传播与梯度检查
闭卷重建反向传播与梯度检查的对象、公式、算例、算法与失败边界。
4归一化、激活与训练稳定性
闭卷重建归一化、激活与训练稳定性的对象、公式、算例、算法与失败边界。
5残差连接与深层网络
闭卷重建残差连接与深层网络的对象、公式、算例、算法与失败边界。
6数据增强与不变性边界
闭卷重建数据增强与不变性边界的对象、公式、算例、算法与失败边界。
7迁移学习、优化与学习率
闭卷重建迁移学习、优化与学习率的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：感受野逐层累计，步幅放大后续跳距；理论感受野不等于实际有效影响范围。；公式：r_l=r_prev+(k_l-1)j_prev，j_l=j_prev s_l。；算例：两层3×3、stride1，从r=1得3再5。；边界：把网络深度等同全局上下文；忽略上采样对齐。。
对象：卷积核在空间共享参数，利用平移结构；步幅、padding和dilation决定输出尺寸与感受野。；公式：output=floor((n+2p-d(k-1)-1)/s)+1。；算例：n=32,k=3,p=1,s=1,d=1，输出32。；边界：只看shape不看坐标对齐；偶数核same padding产生偏移。。
对象：激活和归一化改变信号/梯度分布；BatchNorm依赖batch统计，训练与推理行为不同。；公式：normalized=(x-mean)/sqrt(variance+epsilon)。；算例：x=7、mean=5、std=2，标准化为1。；边界：忘切eval导致推理漂移；用测试集统计更新模型。。
对象：链式法则把损失梯度传到参数；数值梯度可发现实现错误但受步长和浮点影响。；公式：dL/dx=(dL/dy)(dy/dx)。；算例：y=x²、L=y，x=3时梯度6。；边界：只因loss下降就认为梯度正确；ReLU拐点做梯度检查。。
对象：增强编码希望模型不变或等变的变换；标签必须随几何变换同步，不能制造不真实样本。；公式：for invariant task f(Tx)=f(x); for equivariant output f(Tx)=T f(x)。；算例：分类水平翻转标签不变，关键点坐标则必须按宽度镜像。；边界：文字识别随意镜像；裁剪后框未截断更新。。
对象：残差块学习F(x)+x，为梯度提供恒等路径；维度不同时需投影或下采样对齐。；公式：y=F(x)+x。；算例：x=2、F(x)=-.5，输出1.5。；边界：通道/尺度不一致直接相加；把残差结构当不会过拟合。。
对象：预训练特征可减少数据需求，但域差异、冻结策略和学习率影响灾难性遗忘与收敛。；公式：parameter update=parameter-learning_rate×gradient。；算例：参数2、梯度.5、学习率.1，更新后1.95。；边界：一开始大步长全量微调；验证集反复人工挑epoch造成过拟合。。