深度学习考研真题解析.pptxVIP

深度学习

考研真题解析

近年核心考题拆解·解题思路梳理·高频考点总结

课程导览

基础理论真题

推导是解题的根基

感知机是神经网络的起点

基础理论类考题常以感知机与激活函数开场，本质是线性决策边界。

前向传播是得分基本盘

真题给出两层或三层小网络，含各权重、偏置与输入向量，要求逐层算出隐层与输出。

反向传播推导是分水岭

激活函数对比是易得分点

高频且易得分：基础理论模块中，激活函数对比题出现频率高、上手快，是性价比最高的细节考点。

模型架构真题

结构决定功能

卷积核与感受野计算

核心公式：输出尺寸=(输入−核+2×填充)÷步长+1

池化与权值共享的考点

池化层：最大池化取窗口最大值，均值池化取平均值——均能降低特征图尺寸、增强平移不变性。

RNN的时间步展开与梯度问题

命题焦点：时间步展开与梯度消失/爆炸是RNN真题的两大核心考点。

CNN与RNN的结构对比

CNN提取空间特征，RNN处理序列依赖，掌握三步答题模板稳拿分

优化训练真题

优化是提分的关键

梯度下降的三种变体

样本量决定波动与速度

学习率与动量机制

问题→对策

过拟合的识别与正则化

Dropout与早停的实战要点

综合应用真题

应用检验真知

LeNet与AlexNet的演进逻辑

演进主线：LeNet确立「卷积+池化+全连接」基本范式，用于手写数字识别；AlexNet加深网络、引入ReLU与