卷积神经网络（Convolutional Neural Network, CNN） 问题 简述卷积的基本操作，并分析其与全连接层的区别 在卷积神经网络中，如何计算各层的感受野大小 卷积层的输出尺寸、参数量和计算量 简述分组卷积及其应用场景 简述空洞卷积的设计思路 简述转置卷积的主要思想以及应用场景 可变形卷积旨在解决哪类问题 批归一化是为了解决什么问题？它的参数有何意义？它在网络中一般放在什么位置 用于分类任务的卷积神经网络的最后几层一般是什么层？在最近几年有什么变化？ 简述卷积神经网络近年来在结构设计上的主要发展和变迁（从AlexNet 到 ResNet 系列）。 卷积神经网络中的瓶颈结构和沙漏结构提出的初衷是什么？可以应用于哪些问题？ 卷积层个数计算方式 卷积计算复杂度 卷积层的实现 CNN中感受野/权值共享 ResNet理解 ResNet相比全连接有什么区别 Alexnet/VGG/Densenet/Googlenet 给定卷积核的尺寸，特征图大小计算方法？ 网络容量计算方法 共享参数有什么优点 常用的池化操作有哪些？有什么特点？ CNN如何用于文本分类？ resnet提出的背景和核心理论是？ 空洞卷积是什么？有什么应用场景？ Reference Books 葫芦娃, 百面深度学习[M]. 北京: 人民邮电出版社, 2020. Github