1. 卷积层的权重数量：什么因素无关？
问题： 以下哪个因素不影响卷积层中权重的数量？
- 卷积核大小
- 输入通道数
- 输出通道数
- 输入特征图的尺寸
解析：
在卷积神经网络（CNN）中，权重是网络需要学习的参数。具体来说：
- 权重数量 = 卷积核高度 × 卷积核宽度 × 输入通道数 × 输出通道数
- 输入特征图的尺寸（高度和宽度）只影响输出特征图的尺寸和计算量，但不改变权重的数量。
为什么重要？
理解这一点有助于你估算模型参数量，从而管理内存使用和计算资源。无论处理的是32×32的小图像还是1024×1024的大图像，只要网络结构不变，参数量就固定。
2. Dropout(0.3)在PyTorch中意味着什么？
问题： 在PyTorch中，一个层后接Dropout(0.3)会发生什么？
- 推理时只使用70%的神经元 ❌
- 推理时只使用30%的神经元 ❌
- 训练时只使用70%的神经元 ✅
- 训练时只使用30%的神经元 ❌
解析：
Dropout是一种正则化技术，用于防止过拟合：
Dropout(0.3)表示在训练阶段，每个神经元有30%的概率被随机"丢弃"（输出置零）- 这意味着在训练时，平均只有70%的神经元被激活
- 在推理/测试阶段，Dropout被关闭，所有神经元都参与计算
类比理解：
想象一支篮球队训练时，教练随机让部分队员坐冷板凳（Dropout），迫使剩下的队员学会更好地协作。比赛时（推理），所有队员都上场，团队因此更加稳健。
3. 分类问题中的"标签"是什么？
问题： 在分类问题中，"标签"指的是什么？
- 样本的目标输出值 ✅
- 类别的名称
- 要训练的模型
- 输入特征的名字
解析：
标签是监督学习的核心概念：
- 特征（Features）：模型的输入数据（如图像像素、文本词向量）
- 标签（Label）：我们希望模型预测的正确输出（如"猫"、"狗"、"汽车"）
- 在训练过程中，模型学习从特征到标签的映射关系
示例：
一个手写数字识别任务中：
- 特征：28×28的像素矩阵
- 标签：该数字实际是什么（0-9）
4. 回归模型评估的常用指标
问题： 评估回归模型性能时常用哪个指标？
- 准确率（分类指标）
- 精确率（分类指标）
- 均方误差（MSE） ✅
- F1分数（分类指标）
解析：
不同任务需要不同的评估指标：
- 分类任务：关注正确率 → 使用准确率、精确率、召回率、F1分数
- 回归任务：预测连续值 → 使用均方误差（MSE）、平均绝对误差（MAE）、R²分数
MSE公式：
MSE = (1/n) × Σ(预测值 - 真实值)²
它惩罚大的误差更多，是回归问题最常用的损失函数和评估指标。
5. 混淆矩阵的迹（对角线之和）代表什么？
问题： 混淆矩阵的迹（对角线元素之和）对应什么？
- 正确分类的样本数 ✅
- 总预测误差
- 总样本数
- 样本总方差
解析：
混淆矩阵是分类模型的性能矩阵：
- 行：真实类别
- 列：预测类别
- 对角线元素：预测正确的样本数（真实类别=预测类别）
- 迹（对角线之和）：所有类别中正确分类的总样本数
示例：
一个3类分类问题的混淆矩阵对角线为[50, 30, 40]，则：
- 类别1正确分类了50个样本
- 类别2正确分类了30个样本
- 类别3正确分类了40个样本
- 总正确数 = 50 + 30 + 40 = 120
6. 验证数据的真正用途
问题： 使用验证数据的目的是什么？
- 检查训练数据标签的正确性
- 识别数据中的异常值
- 估计模型在未见数据上的性能 ✅
- 确定最佳训练样本数
解析：
在机器学习工作流中，数据通常分为三部分：
- 训练集（70-80%）：用于训练模型参数
- 验证集（10-15%）：用于调整超参数、选择模型、早停等
- 测试集（10-15%）：用于最终评估模型性能
关键区别：
- 验证集在开发阶段使用，帮助你做模型相关的决策
- 测试集在最终评估使用，应只使用一次，反映模型的真实泛化能力
7. 逻辑回归的用途
问题： 逻辑回归用于什么？
- 二分类问题 ✅
- 密度估计
- 寻找聚类
- 函数逼近
解析：
尽管名字中有"回归"，逻辑回归实际上是分类算法：
- 输出是0到1之间的概率值
- 通过sigmoid函数将线性回归的输出映射到概率空间
- 常用于二元分类（是/否、垃圾邮件/非垃圾邮件、患病/健康）
工作方式：
- 计算输入特征的加权和（线性部分）
- 通过sigmoid函数：σ(z) = 1/(1 + e⁻ᶻ)
- 将结果解释为属于正类的概率
8. 输出范围为[0, ∞)的激活函数
问题： 以下哪个激活函数的输出范围是[0, ∞)？
- tanh（范围：[-1, 1]）
- ReLU（范围：[0, ∞)） ✅
- linear（范围：(-∞, ∞)）
- sigmoid（范围：[0, 1]）
解析：
激活函数为神经网络引入非线性：
- ReLU（修正线性单元） ：f(x) = max(0, x)
- 优点：计算简单，缓解梯度消失问题
- 缺点：负区间梯度为0（"死亡ReLU"问题）
- Sigmoid：将输入压缩到(0,1)，适合输出概率
- Tanh：将输入压缩到(-1,1)，输出以0为中心
- Leaky ReLU：ReLU的改进版，负区间有小的斜率
9. 迁移学习的目的
问题： 迁移学习的目的是什么？
- 发现数据中的异常
- 将训练好的模型应用于相关任务 ✅
- 识别分类数据的有用特征
- 生成更多相似训练数据
解析：
迁移学习是解决现实问题的强大工具：
- 预训练：在大规模数据集（如ImageNet）上训练基础模型
- 微调：在小规模特定任务数据上调整模型
- 优势：减少训练时间、数据需求和计算资源
实际应用：
- 医学影像分析：用ImageNet预训练的CNN识别X光片
- 文本情感分析：用BERT等预训练模型分析特定领域评论
- 自动驾驶：将一般物体检测模型适应于交通场景
10. 神经网络中的梯度是什么？
问题： 在神经网络训练中，梯度下降的"梯度"指的是什么？
- 损失相对于输入的变化
- 输出相对于输入的变化
- 输出相对于权重的变化
- 损失相对于权重的变化 ✅
解析：
这是深度学习的核心数学原理：
- 损失函数：衡量模型预测与真实值的差距
- 梯度：损失函数关于每个权重的偏导数
- 梯度下降：沿着梯度反方向更新权重，以最小化损失
直观理解：
想象你在山区寻找最低点（最小损失）：
- 你当前位置的海拔是当前损失值
- 梯度告诉你哪个方向最陡峭地下山
- 每一步（学习率）都朝着最陡的下坡方向移动