（a）准确率在类别不平衡时没有意义：若数据集中某个类别的样本数量远多于其他类别，分类器会倾向于预测这个多数类，从而导致准确率虚高。（b）准确率不能反映分类器在不同类别上的具体表现，比如在结果是猫的图片中，真正是猫的比例有多少。对于两类分类问题，如果某个方法的 ROC 曲线与从原点到（1，1）的对角线重合，则这个方法没有预测能力，等同于随机猜测，为什么？ROC 曲线是通过绘制不同阈值下的真正率和假正

通道数的压缩与扩展：1x1 卷积核可以在不改变空间分辨率的情况下，进行特征图通道数的变换，可以压缩通道数减小计算量和参数量，也可以扩展通道数增加网络的表达能力。实现跨通道信息交互：1x1 卷积核通过将输入特征图的每个激活值的不同通道进行线性加权，实现了通道间的线性变换，将不同通道的特征信息进行混合，进而生成新的特征图。对于一个二维卷积，输入为 3×3，卷积核大小为 2×2，试将卷积操作重写为仿射变

Epoch边界问题本质上是训练流程中。

反向传播的核心是计算损失函数相对于每层参数的梯度，每一层的梯度需要由后一层的误差项计算。（a）简化梯度计算：误差项可以简化梯度的计算过程，将复杂的链式法则分解成逐层的计算。通过误差项的设计，每一层的误差项由前一层的误差项、权重和激活函数导数计算，反向传播只需要通过误差项逐层传递，并累积梯度即可更新参数。（c）传递误差信息：误差项从输出层开始计算，每一层的误差项由后一层的误差项决定，误差项通过神经网

通道数的压缩与扩展：1x1 卷积核可以在不改变空间分辨率的情况下，进行特征图通道数的变换，可以压缩通道数减小计算量和参数量，也可以扩展通道数增加网络的表达能力。实现跨通道信息交互：1x1 卷积核通过将输入特征图的每个激活值的不同通道进行线性加权，实现了通道间的线性变换，将不同通道的特征信息进行混合，进而生成新的特征图。对于一个二维卷积，输入为 3×3，卷积核大小为 2×2，试将卷积操作重写为仿射变

（a）准确率在类别不平衡时没有意义：若数据集中某个类别的样本数量远多于其他类别，分类器会倾向于预测这个多数类，从而导致准确率虚高。（b）准确率不能反映分类器在不同类别上的具体表现，比如在结果是猫的图片中，真正是猫的比例有多少。对于两类分类问题，如果某个方法的 ROC 曲线与从原点到（1，1）的对角线重合，则这个方法没有预测能力，等同于随机猜测，为什么？ROC 曲线是通过绘制不同阈值下的真正率和假正

（a）准确率在类别不平衡时没有意义：若数据集中某个类别的样本数量远多于其他类别，分类器会倾向于预测这个多数类，从而导致准确率虚高。（b）准确率不能反映分类器在不同类别上的具体表现，比如在结果是猫的图片中，真正是猫的比例有多少。对于两类分类问题，如果某个方法的 ROC 曲线与从原点到（1，1）的对角线重合，则这个方法没有预测能力，等同于随机猜测，为什么？ROC 曲线是通过绘制不同阈值下的真正率和假正

训练误差：模型在训练数据上输出的预测值与真实值之间的差异。泛化误差：模型在新样本上输出的预测值与真实值之间的差异。泛化误差通常使用偏差-方差分解中的方差项进行估算。RfExy∼prxyy−fx2RfExy∼pr​xy​y−fx2对于单个样本xxx，在不同训练集DD得到模型fD𝒙fD​x和最优模型f∗𝒙f^\ast(𝒙)f∗xEDfDx−f∗x2EDfDx−f∗x2E。

与Batch Normalization不同，Layer Normalization在每个样本上独立进行，而不是在每个批次上进行。对每个样本的所有特征进行归一化，如N*C*H*W，对每个C*H*W进行归一化，得到N个均值和方差。用于 4D 输入（如卷积层的输出）输入形状为b*c*h*w，即在每个通道上进行normalization，求b*h*w内的像素求均值和方差，输出是1*c*1*1。需要注意的

Epoch边界问题本质上是训练流程中。