卷积核在输入上滑动，每次只关注局部区域（感受野），共享权重大幅减少参数量。边缘检测核能突出图像中的轮廓特征。
相关演示
机器学习核心 · 第 3 章路径 6/8本章完成 0%CNNAttentionTransformer
可用 ← → 键切换主题
卷积神经网络
卷积 · 局部感受野 · 特征图
输入 (5×5)
0.0
0.0
1.0
1.0
0.0
0.0
1.0
1.0
1.0
0.0
1.0
1.0
1.0
1.0
1.0
0.0
1.0
1.0
1.0
0.0
0.0
0.0
1.0
1.0
0.0
特征图 (3×3)
3.0
1.0
2.0
2.0
0.0
2.0
3.0
1.0
2.0
深度学习检查点
学完演示后来检验一下。全部答对即可标记本章测验通过。
1. 卷积层共享权重的主要好处是？
2. Self-Attention 中 Query 与 Key 的点积用来？
3. Transformer 相对 RNN 的重要优势是？
与 AI 的联系
- 大模型：GPT、Claude 等均基于 Transformer decoder。
- 多模态：视觉编码器 (ViT) + 语言模型融合。
- Scaling Law：更多数据、更大模型通常带来更好性能。