一、单选题（每题只有1个正确答案）
- 卷积神经网络（CNN）的核心特点不包括以下哪一项？（ ）
A. 局部区域连接
B. 权值共享
C. 全连接无死角
D. 保留空间信息
答案：C
解析：CNN的核心特点是局部区域连接、权值共享，可解决传统图像处理丢失空间信息的问题，保留图像特征；而"全连接无死角"是全连接层的特点，并非CNN的核心特点，CNN通过局部连接实现参数降维，避免全连接的高参数量问题。
- PyTorch中，带可学习参数的层应使用哪个模块？（ ）
A. nn.functional
B. torch.utils.data
C. nn.Module
D. DataLoader
答案：C
解析：nn.Module是类（首字母大写），其包含的层（如Conv2d、Linear）的参数由框架自动管理，适用于带可学习参数的层；nn.functional是函数，无自动参数管理能力，适用于无学习参数的层；torch.utils.data和DataLoader是数据集相关模块，与层的参数管理无关。
- 下列关于特征图尺寸计算公式的表述，正确的是（ ）（设输入尺寸n×n，卷积核k×k，步长s，填充个数p）
A. 输出尺寸=(n-2p-k)/s +1
B. 输出尺寸=(n+2p-k)/s +1
C. 输出尺寸=(n+2p+k)/s -1
D. 输出尺寸=(n-2p+k)/s -1
答案：B
解析：特征图尺寸计算公式：输出尺寸=(n+2p-k)/s +1，其中填充p是在输入边缘补0，会增加输入的有效尺寸（n+2p），减去卷积核尺寸k后，除以步长s，再加1得到最终输出尺寸。
- 深度可分离卷积的组成部分不包括（ ）
A. 逐通道卷积（DW）
B. 逐点卷积（PW）
C. 全连接卷积
D. 无额外组成部分
答案：C
解析：深度可分离卷积由逐通道卷积（DW）和逐点卷积（PW）两部分组成，逐通道卷积实现单通道独立特征提取，逐点卷积实现通道数变换，无需全连接卷积；全连接卷积是常规卷积的一种形式，并非深度可分离卷积的组成部分。
- 下列哪种激活函数适合多分类任务，可将输出映射为各类概率？（ ）
A. ReLU
B. Sigmoid
C. Softmax
D. Tanh
答案：C
解析：Softmax的输出范围为(0,1)，可通过指定dim维度计算各类别概率，适合多分类任务；ReLU输出范围为[0,+∞)，主要解决梯度消失问题；Sigmoid输出范围为(0,1)，适合二分类任务；Tanh输出范围为(-1,1)，零均值输出但易梯度消失。
- ResNet的残差结构主要解决了深层神经网络的什么问题？（ ）
A. 参数量过大
B. 运算速度慢
C. 梯度消失/爆炸和网络退化
D. 过拟合
答案：C
解析：ResNet通过shortcut隔层连接构建残差结构，核心解决深层神经网络的梯度消失/爆炸和网络退化问题，让网络深度增加时性能不下降；参数量过大可通过深度可分离卷积解决，运算速度慢可通过池化、轻量化架构优化，过拟合可通过Dropout、数据增强解决。
二、多选题（每题有2个及以上正确答案）
- 卷积神经网络（CNN）的一般构成包括以下哪些层？（ ）
A. 输入层
B. 卷积层
C. 池化层
D. 全连接层
E. Softmax层
答案：ABCDE
解析：CNN的一般构成的顺序为：输入层→卷积层→池化层→全连接层→Softmax层，其中输入层接收图像数据，卷积层提取特征，池化层减小尺寸，全连接层整合特征，Softmax层输出分类概率。
- 下列关于PyTorch中nn.Module和nn.functional的区别，说法正确的有（ ）
A. nn.Module是类，nn.functional是函数
B. 两者都能实现卷积、激活等操作
C. nn.Module可自动管理参数，nn.functional不能
D. 两者都带可学习参数
答案：ABC
解析：nn.Module是首字母大写的类，nn.functional是全小写的函数，两者均可实现卷积、激活、池化等操作；核心区别是nn.Module可自动管理层的可学习参数，而nn.functional无自动参数管理能力；nn.functional本身不带可学习参数，仅负责运算。
- 下列属于池化层类型的有（ ）
A. 最大值池化
B. 均值池化
C. 全局最大池化
D. 全局均值池化
E. 逐通道池化
答案：ABCD
解析：池化层类型包括最大值池化、均值池化、全局最大池化、全局均值池化，四种池化均能实现减小特征尺寸、抗噪声的功能；逐通道池化并非独立的池化类型，而是逐通道卷积的伴随操作，不属于池化层范畴。
- 经典CNN架构中，下列说法正确的有（ ）
A. AlexNet有8层，包含5个卷积层和3个全连接层
B. VGG16使用3×3小卷积核和2×2小池化核
C. GoogleNet用Inception模块，以平均池化替代全连接层
D. ResNet的残差结构只有BasicBlock一种形式
答案：ABC
解析：AlexNet的核心结构为8层（5卷积+3全连接），用ReLU替代Sigmoid；VGG16的特点是使用3×3小卷积核和2×2小池化核，网络更深更宽；GoogleNet采用Inception模块化结构，以平均池化替代全连接层，减少参数量；ResNet的残差结构有两种形式：BasicBlock（2个3×3卷积）和Bottleneck（1×1降维+3×3卷积+1×1升维），故D错误。
- 批量标准化（BN）的作用包括（ ）
A. 降低内部协变量变化
B. 加快模型训练速度
C. 提升模型性能和稳定性
D. 减少参数量
E. 解决过拟合
答案：ABC
解析：批量标准化（nn.BatchNorm2d）的核心作用是降低内部协变量变化，避免因层间输入分布变化导致训练缓慢，从而加快训练速度、提升模型性能和稳定性；减少参数量是深度可分离卷积的作用，解决过拟合是Dropout、数据增强的作用，故D、E错误。
三、判断题（正确选A，错误选B）
- 多通道卷积中，卷积核通道数与输入通道数不一致，逐通道卷积后相加得到输出特征图。（ ）
答案：B
解析：多通道卷积的核心要求是卷积核通道数与输入通道数一致，先对每个通道进行单通道卷积，再将所有通道的特征图对应位置相加，最终输出1个特征图；若通道数不一致，无法进行逐通道卷积运算。
- 步长（Stride）越大，卷积后输出的特征图尺寸越小，步长为n时，尺寸缩小为原来的1/n。（ ）
答案：A
解析：步长是卷积核每次滑动的行列数，步长越大，卷积核覆盖的输入区域越少，输出特征图尺寸越小，当步长为n时，输出尺寸约为原来的1/n（需结合填充参数，若填充为0，尺寸缩小比例接近1/n）。
- PyTorch中，深度可分离卷积有专用函数nn.DepthwiseConv2d，可直接调用实现。（ ）
答案：B
解析：PyTorch中无深度可分离卷积的专用函数，需通过nn.Conv2d组合实现：逐通道卷积（DW）设置groups=输入通道数，逐点卷积（PW）设置kernel_size=1。
- MobileNetV2的倒残差结构流程为"压缩-卷积-扩张"，与ResNet的残差结构流程一致。（ ）
答案：B
解析：MobileNetV2的倒残差结构流程为"扩张-卷积-压缩"，与ResNet残差结构的"压缩-卷积-扩张"流程相反；倒残差先升维得到高维特征，经ReLU激活后信息丢失更少，更适配移动端。
- 自定义数据集时，需继承torch.utils.data.Dataset类，并重写__len__和__getitem__方法。（ ）
答案：A
解析：torch.utils.data下的Dataset是自定义数据集的核心类，重写__len__方法用于返回数据集的样本总数，重写__getitem__方法用于获取指定索引的样本，两者缺一不可。
- 激活函数的作用是为卷积神经网络提供非线性建模能力，若没有激活函数，网络只能实现线性映射。（ ）
答案：A
解析：卷积、线性层等操作均为线性变换，若没有激活函数，整个网络只能实现线性映射，无法拟合复杂的非线性数据分布；激活函数（如ReLU、Softmax）通过引入非线性，让网络能够学习复杂的特征关系。