印刷厂质检员老李手里有一块标准图案印章——一块透明的方形板，上面刻着一个红五星。传送带上的产品依次经过，老李把印章盖上去，每停一个位置，就把印章覆盖的区域与印章图案逐格比对、把相似度加起来，数字最大处就是星星的位置。这个“直接盖”的动作，数学里叫互相关。 可数学课本里的卷积，要求老李先把印章翻个面——上下左右全部颠倒——再盖。翻面后的印章图案顺序全变了，但星星还是那个星星。于是问题来了：为什么有的场合必须翻面，而深度学习里的卷积却从来不翻？更奇怪的是，CNN 明明做的是不翻转的互相关，大家却张嘴闭嘴叫它“卷积”？ 答案藏在三个词里：翻转、可学习、等效。老李的印章是他现场拿橡皮雕的，雕成什么样由练习结果决定。既然印章可以重刻，那“翻面”就只是个无关紧要的小动作——想让翻面后的印章盖出某种花纹，直接按对应形状重刻一枚即可。于是 CNN 索性省略翻转，直接做互相关，名字却沿用了“卷积”。这篇就带你把这个翻面故事的来龙去脉一次讲透。

岗位关联

搞懂这个高频易混淆点，是 CNN 面试和源码阅读的加分项。学会它，你能准确解释框架为何不做翻转，能正确设计手工核、看懂特征可视化，不再被“卷积”这个沿用名误导。

目录
  1. 可视化演示
  2. 1. 数学定义对比
  3. 2. 翻转操作本质
  4. 3. CNN为何不翻转
  5. 4. 特征提取等效
  6. 5. 实际计算示例
  7. 6. 框架实现细节
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示数学卷积的180°翻转与CNN互相关运算的区别，解释可学习核使两者等价的原因。

本节配有交互动效（进入视口后自动加载，约 3KB）。

数学卷积vs CNN互相关 数学卷积需180°翻转核，CNN使用互相关省略翻转 Conv(f,g) = XCorr(f, flip(g)) 可学习核使翻转无意义，CNN中两者等价

1. 数学定义对比

老李“直接盖印章”的动作，在信号处理里叫互相关（cross-correlation）。把产品和印章都数字化，这个动作就变成：印章在图像上滑动，每停一个位置，就把覆盖区域里的数字和印章对应位置逐格相乘、全部相加，得到该位置的输出值。所有位置滑完，就得到一张“相似度地图”——哪个位置最像印章，哪个位置输出最大。这是 CNN 特征提取最朴素的原型。

写成公式前先定符号：输入图像叫 I（老李的产品），核叫 K（kernel，印章），大小为 U 行 V 列。互相关在输出位置 (i,j) 的计算是：以 (i,j) 为左上角，从输入里切一个 U×V 的窗口，和核的对应位置相乘再求和。而数学课本里的卷积（convolution），唯一的区别是把核的索引 (u,v) 换成 (U-1-u, V-1-v)——也就是先把核翻转 180° 再滑动相乘：

两个式子长得几乎一样，差异只有一处：核 K 的下标要不要倒过来。这就像老李盖印章前，多做一个“把印章翻面”的动作。对公式而言，互相关是“直接盖”，卷积是“翻面后盖”；对老李而言，两者只差一个翻面的动作，但这一步之差，在信号理论里藏着一段“时间倒流”的渊源。

互相关:   Scorr(i,j)=∑u=0U−1∑v=0V−1I(i+u, j+v)⋅K(u, v)卷积:   Sconv(i,j)=∑u=0U−1∑v=0V−1I(i+u, j+v)⋅K(U−1−u, V−1−v)\begin{aligned}\text{互相关: }\; S_{\mathrm{corr}}(i,j) &=\sum_{u=0}^{U-1}\sum_{v=0}^{V-1} I(i+u,\,j+v)\cdot K(u,\,v) \\\text{卷积: }\; S_{\mathrm{conv}}(i,j) &=\sum_{u=0}^{U-1}\sum_{v=0}^{V-1} I(i+u,\,j+v)\cdot K(U-1-u,\,V-1-v)\end{aligned}
卷积与互相关的全部差异，就是核在滑动相乘前是否被翻转 180°；其余窗口机制、乘加规则、输出形状完全一致。
  1. 窗口定位输出位置 (i,j) 决定输入上以 (i,j) 为左上角、大小为 U×V 的窗口；窗口里的元素用两个偏移量 u、v 遍历，分别表示行、列方向走了几步：
    I(i+u, j+v)I(i+u,\,j+v)
  2. 互相关的核索引互相关直接读核的原始下标 (u,v)，窗口左上角乘核左上角，窗口右下角乘核右下角，顺序完全一致：
    K(u, v)K(u,\,v)
  3. 卷积的核索引翻转卷积把核下标改为 (U-1-u, V-1-v)，即从核的右下角开始读起，相当于把核旋转 180°：
    K(U−1−u, V−1−v)K(U-1-u,\,V-1-v)
  4. 双重求和u 从 0 到 U-1、v 从 0 到 V-1 遍历完整窗口，把所有乘积累加成一个标量，写入输出图的 (i,j) 位置：
    ∑u=0U−1∑v=0V−1\sum_{u=0}^{U-1}\sum_{v=0}^{V-1}

2. 翻转操作本质

老李翻印章，到底翻成什么样？不是简单的左右镜像，而是“上下也颠倒”——准确说是绕中心旋转 180°。一块 3×3 的印章，左上角的图案会跑到右下角，右上角跑到左下角，整块印章被“倒了个个儿”。这个几何动作，是理解两种运算差异的关键。

为什么要这样翻？这要回到卷积在信号与系统里的出身。在线性时不变系统的理论中，系统当前时刻的输出 y[n]，是所有历史输入作用结果的叠加：当前输入有贡献，一秒前的输入也有贡献，只是权重不同。用公式表达时，“过去的输入乘以什么权重”天然要求把响应序列倒过来看——时间从过去流向现在，而“记忆”要从现在回望过去。这就是翻转的物理根源：它是因果世界的投影。

把翻转写成算子。核 K 的翻转版本 K^R，每个元素按下面的规则重排：

直观地看：先沿垂直中轴左右翻转，再沿水平中轴上下翻转，合起来就是绕中心旋转 180°。对于一维核，翻转退化为简单倒序，例如 [1,3,2] → [2,3,1]。虽然翻转改变了每个权重在核里的“座位”，但核携带的信息一个字节都没少——就像印章翻面后，图案内容完全没变，只是摆放顺序颠倒了。图像处理里没有“因果关系”的强制要求，所以这一步在 CNN 里不再是必需品。

KR(u, v)=K(U−1−u, V−1−v)K^{R}(u,\,v) = K(U-1-u,\,V-1-v)
翻转不是“换一套权重”，而是同一组权重换个顺序摆放；对图像而言，这条规则没有物理必然性，只有历史惯性。
  1. 水平方向翻转每个元素沿垂直中轴镜像，列坐标 v 变成 V-1-v，此时核从左到右的顺序被颠倒：
    K(u, V−1−v)K(u,\,V-1-v)
  2. 垂直方向翻转继续沿水平中轴镜像，行坐标 u 变成 U-1-u，上下顺序也被颠倒：
    K(U−1−u, V−1−v)K(U-1-u,\,V-1-v)
  3. 两步合为旋转水平 + 垂直两次镜像等价于绕中心旋转 180°，即“印章翻面”的几何含义：
    KR(u, v)=K(U−1−u, V−1−v)K^{R}(u,\,v) = K(U-1-u,\,V-1-v)
  4. 一维退化当行数或列数为 1 时，翻转退化为序列倒序，如 [1,3,2] 变成 [2,3,1]：
    wR[m]=w[M−1−m]w^{R}[m] = w[M-1-m]

3. CNN为何不翻转

老李的印章不是祖传的，而是他现场拿橡皮雕的，雕坏了还能重雕。CNN 里的核也一样：先随机初始化，再靠反向传播一点点修正。既然印章本身是“学出来”的，关键问题就来了——翻不翻面，真的重要吗？

答案是不重要。设想网络想学习“检测左上角到右下角的斜边”：如果用互相关（不翻转），它需要把核的某些位置学成正值；如果用数学卷积（翻转），它只需要把“翻转后对应的位置”学成正的即可。对同一个输入，只要把核的权重按镜像重新摆放，互相关的输出就与翻转核后的卷积输出完全相等。 翻转这个动作，本质上只是“给核换了个坐姿”，不改变任何表达能力。

用公式说：把核先翻转再做数学卷积，等价于用原核直接做互相关——等式左边的卷积内部含一次翻转，右边的核预先翻转一次，两次翻转相互抵消：

其中 * 表示数学卷积，⋆ 表示互相关。于是深度学习框架做了一个务实的选择：既然翻不翻面都不影响“能学出什么”，而翻转核在实现上要额外付出计算和梯度复杂度，干脆省略，直接按互相关实现。同时为了和数学、信号处理领域的传统术语保持一致，官方依然把接口命名为“卷积”。

I∗KR=I⋆KI * K^{R} = I \star K
卷积里的翻转和“预先翻转核”互相抵消，所以 CNN 省略翻转不影响能力；框架省掉一步计算，名字却原样保留。
  1. 左边翻转核再卷积：把核 K 先做 180° 翻转得到 K^R，再执行数学卷积；数学卷积本身自带一次核翻转，两次翻转相互抵消：
    I∗KRI * K^{R}
  2. 右边原核互相关：直接用 K 做互相关（不翻转）。展开求和后可以发现，两边的每一项都是同一批乘加运算，只是索引方向不同：
    I⋆KI \star K
  3. 等式恒成立对任意输入 I 和任意核 K，上述等式都成立；因此每个可学习的互相关核 K，都能找到一个卷积核 K^R 产生完全相同的输出，反之亦然：
    I∗KR≡I⋆KI * K^{R} \equiv I \star K

4. 特征提取等效

从“能不能学会”的角度看，互相关和卷积是同一个工具箱。印刷厂里，翻面盖章和不翻面盖章能盖出的花纹种类完全一样——你不必纠结印章正着放还是反着放，因为反面能刻的内容，正面同样刻得出来。这个直觉在数学上可以严格化。

把核的参数空间记作 Θ，翻转映射 flip: Θ → Θ 是一个双射（一一对应且可逆）。于是考虑“所有可能的核作用在输入上能产生的输出集合”：互相关版本的集合，与卷积版本的集合完全相等：

这意味着无论训练时用的是互相关还是卷积，网络能表达的函数类完全相同，特征提取能力（边缘、纹理、形状检测）完全等效。唯一的差别是最终学到的那组具体权重数值互为翻转——就像两个师傅用同一块橡皮，一个习惯正面印，一个习惯翻面印，但印出来的产品图案都能通过重新雕刻达到同样效果。所以“CNN 用互相关是近似、是妥协”的说法是错的：它不是将就，而是两个等价方案里更省事的那一个。

{ I⋆W:W∈Θ }  =  { I∗W′:W′∈Θ }\{\, I \star W : W \in \Theta \,\} \;=\; \{\, I * W' : W' \in \Theta \,\}
互相关核的权重组与卷积核的权重组通过翻转一一对应，两个函数集合相等；CNN 用互相关没有任何表达能力的损失。
  1. 左集合所有互相关核 W 在输入 I 上产生的输出，构成一个函数集合，遍历整个参数空间 Θ：
    { I⋆W:W∈Θ }\{\, I \star W : W \in \Theta \,\}
  2. 右集合所有数学卷积核 W' 在输入 I 上产生的输出集合，参数空间同样是 Θ：
    { I∗W′:W′∈Θ }\{\, I * W' : W' \in \Theta \,\}
  3. 一一对应翻转映射把每个 W 映到唯一的 W' = flip(W)，反过来也能从 W' 恢复 W，因此两个集合中的元素可以逐一配对：
    W↔flip(W)W \leftrightarrow \mathrm{flip}(W)
  4. 集合相等配对说明两个集合互为子集，从而完全相等；CNN 用互相关没有损失任何表示能力：
    { I⋆W }={ I∗W′ }\{\, I \star W \,\} = \{\, I * W' \,\}

5. 实际计算示例

光说公式抽象，拿具体数字走一遍。一维信号 x = [1, 2, 3, 4]，核 w = [1, 2]——特意选非对称核，翻转才有可见的差别。把两种运算并排写下来对比：

从 n=0 开始算：互相关 y_corr[0] = 1×1 + 2×2 = 5；卷积先翻转核为 [2,1]，得到 y_conv[0] = 1×2 + 2×1 = 4。同样的输入、同样的核，输出差在“顺序”上——每个位置的乘加组合不同，但两套输出都完整地包含了输入的信息，只是重新分配了权重。把它们叠在一起看，就像同一批布料，一种裁法出左襟，另一种裁法出右襟，布料总量不增不减。

二维的情况只是把一维的滑动窗口变成二维的块，再把双重求和加起来，翻转对应旋转 180°，逻辑完全一样。至于步长（stride）决定每次滑动几格、填充（padding）决定边界补什么，这些规则与翻不翻转无关，互相关和卷积共用同一套滑动机制——老李的印章走多快、在边缘怎么摆，两种盖法遵守同一份操作规程。

y_{\mathrm{corr}}[n] = \sum_{m=0}^{M-1} x[n+m]\cdot w[m], \qquady_{\mathrm{conv}}[n] = \sum_{m=0}^{M-1} x[n+m]\cdot w[M-1-m]
1×1+2×2=5 与 1×2+2×1=4：同一个窗口、同一批数字，只因为核的方向不同，乘积组合就不同；但整体信息量不变。
  1. 互相关的窗口从位置 n 开始向右取长度 M 的窗口，窗口元素按自然顺序与核相乘，第一个元素乘核的第一个权重：
    x[n+m]⋅w[m]x[n+m]\cdot w[m]
  2. 卷积的窗口同一个窗口，但核要倒着读（下标 M-1-m），即窗口第一个元素乘核的最后一个权重：
    x[n+m]⋅w[M−1−m]x[n+m]\cdot w[M-1-m]
  3. 数值代入x = [1,2,3,4]，w = [1,2]，n=0 时互相关 = 1×1+2×2 = 5，卷积（核翻转 [2,1]）= 1×2+2×1 = 4：
    5  vs  45 \;\text{vs}\; 4
  4. 推广到二维二维只是把一维窗口换成二维块，再把双重求和加起来；翻转则对应核旋转 180°，步长和填充规则两者共用：
    ∑u=0U−1∑v=0V−1I(i+u, j+v)⋅K(U−1−u, V−1−v)\sum_{u=0}^{U-1}\sum_{v=0}^{V-1} I(i+u,\,j+v)\cdot K(U-1-u,\,V-1-v)

6. 框架实现细节

现在看代码。PyTorch 的 torch.nn.functional.conv2d、TensorFlow 的 tf.nn.conv2d，名字都叫“卷积”，内部实现的都是互相关——不做翻转，直接滑动相乘求和。用一句话概括框架函数实际完成的运算：

也就是说，你传进去的核是“正面”还是“翻面”，框架不会帮你处理，你得自己心里有数。举个例子：手工设计一个 Sobel 竖直边缘检测核，想检测“左亮右暗”的边缘，就要清楚核是直接按互相关方向作用于图像的——矩阵里的数字怎么摆，检测到的边缘方向就怎么定，理解方向要按互相关的滑动逻辑来推理，而不是数学卷积的翻转逻辑。

对工程师的实际启示有三条：第一，训练和推理时完全不用管翻转，框架已经替你选了最省事的路径；第二，手工设计核或做核可视化时，要按互相关语义去理解权重摆放与检测方向的关系；第三，跨框架导出模型（如 PyTorch → ONNX → TensorFlow）时，conv 节点在各框架中的语义统一，不会因为“翻转”差异产生转换冲突。老李最后在操作手册上补了一行注释：“本人盖章法（互相关），向业界惯例（卷积）致敬。”这一行注释，正是整个深度学习生态每天都在做的事——用最简洁的实现，讲大家最熟悉的名字。

conv2d(I,K)=I⋆K\mathrm{conv2d}(I, K) = I \star K
框架函数名叫 conv2d，内部做的却是 cross-correlation；理解这个“名实不符”，才能正确设计手工核、读懂源码、排查跨框架差异。
  1. 框架函数conv2d 是 PyTorch / TensorFlow 提供的前端接口，接收输入 I 和核 K，返回特征图：
    conv2d(I,K)\mathrm{conv2d}(I, K)
  2. 实际语义函数体内部执行互相关——核不翻转，直接逐窗口点积求和并输出：
    I⋆KI \star K
  3. 命名沿袭数学界把“翻转 + 滑动”叫卷积；深度学习为了兼容历史习惯，把“不翻转 + 滑动”也统称卷积，两个概念在 CNN 语境里合并成一个词：
    conv2d(I,K)≜I⋆K\mathrm{conv2d}(I, K) \triangleq I \star K

AI 应用场景

手工核设计与方向调试

阶段：模型设计 / 图像预处理

解决的问题：工程师在图像预处理或网络首层分析时，经常手工设计高斯模糊、Sobel 边缘检测等核。如果不清楚框架执行的是互相关，会把检测方向搞反——以为核给了数学模型，实际行为却按互相关方向作用，排查半天找不到原因。

具体案例：某 CV 工程师想用 Sobel 核检测竖直边缘，按教科书写出 [[1,0,-1],[2,0,-2],[1,0,-1]]，在 PyTorch 中加载并跑 conv2d，发现检测到的是“左边暗右边亮”的边缘。意识到 conv2d 是互相关后，他按互相关方向重新解释核的摆放，方向才符合预期，一次调试从两小时缩短到十分钟。

卷积层可视化与可解释性

阶段：模型分析 / 特征可视化

解决的问题：只可视化核的数值、不结合滑动方向解释，容易误解核到底在检测什么特征；把“互相关语义”讲清楚，可视化结论才可靠。

具体案例：研究团队可视化 VGG 第一层核，看到了若干边缘纹理核。他们按互相关语义（核在图像上从左往右、从上往下滑动）绘制核响应与输入位置的对应热力图，才准确定位模型关注的图像区域，产出了可解释性论文的关键插图。

跨框架模型部署比对

阶段：模型部署 / 推理优化

解决的问题：PyTorch 训练模型转 ONNX 再转 TensorRT 时，如果不确认 conv 节点语义统一，容易怀疑“翻转”造成结果差异；实际所有框架都统一用互相关，无需额外处理。

具体案例：部署工程师在转换后逐层比对输出，发现最大误差小于 1e-6，确认 conv 语义一致，没有做任何核翻转预处理便顺利上线，省去了大量排查时间。

Python 演示

python54 行
import numpy as np  def cross_correlate2d(image, kernel):    """2D cross-correlation: slide kernel without any flip."""    H, W = image.shape    kh, kw = kernel.shape    out_h, out_w = H - kh + 1, W - kw + 1    output = np.zeros((out_h, out_w))    for i in range(out_h):        for j in range(out_w):            window = image[i:i + kh, j:j + kw]            output[i, j] = np.sum(window * kernel)    return output  def convolve2d(image, kernel):    """Mathematical convolution: flip kernel 180 then correlate."""    flipped = kernel[::-1, ::-1]    return cross_correlate2d(image, flipped)  def main():    image = np.array([        [1, 2, 3, 4, 5],        [6, 7, 8, 9, 10],        [11, 12, 13, 14, 15],        [16, 17, 18, 19, 20],        [21, 22, 23, 24, 25],    ], dtype=float)    kernel = np.array([        [1, 0, -1],        [2, 0, -2],        [1, 0, -1],    ], dtype=float)     corr = cross_correlate2d(image, kernel)    conv = convolve2d(image, kernel)    conv_again = cross_correlate2d(image, kernel[::-1, ::-1])     print("input image 5x5:")    print(image)    print("kernel 3x3:")    print(kernel)    print("cross-correlation output:")    print(corr)    print("convolution output:")    print(conv)    print("identity check: conv == correlate(flip(kernel)):")    print(np.allclose(conv, conv_again))  if __name__ == "__main__":    main()
目的：用纯 NumPy 实现二维互相关和数学卷积，并验证“先翻转核再做互相关等于数学卷积”这个核心等式。
  1. output[i, j] = np.sum(window * kernel)互相关的核心一行：滑窗与核逐元素相乘再累加，对应老李“直接盖印章”。
  2. flipped = kernel[::-1, ::-1]把核沿两个轴同时反转，完成 180° 旋转，这就是卷积里的“翻面”。
  3. conv_again = cross_correlate2d(image, kernel[::-1, ::-1])独立验证路径：用翻转后的核做互相关，应当得到数学卷积的结果。
  4. print(np.allclose(conv, conv_again))数值断言两条路径完全一致，印证 I * K^R = I ⋆ K。
  5. for i in range(out_h): for j in range(out_w)双重循环遍历每个输出位置，对应核在图像上逐格滑动。

常见误区

误区“我一直以为 PyTorch 的 conv2d 内部会把核翻转 180 度，做标准的数学卷积，因为文档里写的就是 convolution。”

正解文档写 convolution 是沿用历史术语。源码中 conv2d 直接做互相关：核不翻转，滑动窗口逐元素相乘求和。原因很简单：核是训练学出来的，翻转与否表达能力等价，省略翻转还能省计算、简化梯度。真要找“做数学卷积”的库函数，得用 scipy.signal.convolve2d 这类信号处理工具，而不是深度学习框架。

为何常见：名字太有迷惑性，官方文档和论文都叫 convolution，初学者极少去读源码实现，自然默认它就是教科书里的严格数学卷积。

误区“把卷积换成互相关，特征提取是不是就不准了？感觉少了一步就该少点信息。”

正解完全不会。因为核是训练出来的，翻转前后的核只是权重重排，互相关能表达的函数集合和数学卷积完全一样（集合相等）。训练收敛后，两种设定下网络学到的只是互为翻转的权重，最终特征图和预测能力没有本质差异。老李的印章可以重刻，“翻面”便不是必需动作。

为何常见：把“多一步操作”直觉等同于“多一份信息”，忽略了深度学习里参数可学习这个关键前提；“少做一步 = 近似”的直觉在别处成立，在这里不成立。

误区“我把训练好的核翻转再用，前向输出肯定不一样，所以翻转对网络有影响，不能随便翻。”

正解要区分两个层面。对固定的一组权重，翻转前后特征图确实不同（逐位置乘加组合变了，但整体信息不变）；对训练过程而言，翻转不改变可表达的函数空间——用翻转核训练，等价于用原核训练时多加了一次“翻转”，学到的东西只是换个姿势。所以“影响网络结果”要分情况：推理时固定核有数值差异，训练时的能力空间无差异。

为何常见：混淆了“单次前向的数值”与“训练能到达的参数空间”两个不同层面，把局部数值差异放大成能力差异。

误区“写自定义卷积层时，我要先把核翻转 180 度再做滑动点积，不然就和框架不一致。”

正解在深度学习框架内，conv2d 本身就是“不翻转”的互相关，你照着互相关写就是正确的，多翻转反而自找麻烦。只有在调用信号处理库（如 scipy.signal.convolve2d）或做严格的信号卷积时，才需要关心翻转。老李的操作规程里根本没有“翻面”这一条，你照着做就行。

为何常见：教科书与框架文档的术语冲突造成混乱——书本教“卷积要翻转”，框架文档写"convolution"，初学者两头对不上。

面试题

Q1. 深度学习框架中的卷积层（如 PyTorch 的 conv2d）实际执行的运算是？

单选题 · easy

  • A.严格数学卷积
  • B.互相关运算不翻转← 正确答案
  • C.矩阵相乘加偏置
  • D.池化降采样操作

答案：B。框架文档虽写 convolution，但源码实现是互相关：核不翻转，直接滑动相乘求和。省略翻转是因为核可学习、翻转与否表达能力等价，且能省计算简化梯度。A 是名字造成的错觉，C、D 与卷积层实际运算无关。

Q2. 卷积与互相关在数学上的唯一区别是？

单选题 · easy

  • A.是否对输入做翻转
  • B.是否对核做翻转← 正确答案
  • C.是否做逐元素乘法
  • D.是否做累加求和

答案：B。两个公式逐项对比，只有核的索引方向不同：互相关读 K(u,v)，卷积读 K(U-1-u,V-1-v)，即核是否被翻转。输入、乘法、求和规则完全一样，所以 A、C、D 都是错的。

Q3. 二维卷积中核的“翻转”指的是？

单选题 · easy

  • A.水平方向翻转一次
  • B.垂直方向翻转一次
  • C.水平垂直都翻转← 正确答案
  • D.水平垂直都不翻转

答案：C。翻转 = 水平镜像 + 垂直镜像 = 绕中心旋转 180°。只翻一次是镜像翻转，不是卷积里的完整翻转；不翻则是互相关。选项 C 正确描述了“上下左右都颠倒”的翻面动作。

Q4. CNN 使用互相关而不翻转核，根本原因是？

单选题 · mid

  • A.核由训练学习参数可补偿翻转← 正确答案
  • B.翻转会让反向传播无法计算
  • C.翻转会破坏输入数据的形状
  • D.翻转会导致训练速度显著变慢

答案：A。核由反向传播学习得到，翻转与否只是权重重排，互相关能表达的函数空间与数学卷积相同（集合相等）。B、C 说法本身错误，D 只是额外收益，不是根本原因。

Q5. 一维信号 x=[1,2,3,4] 与核 w=[1,2] 做互相关，位置 n=0 的输出是？

单选题 · mid

  • A.1×1+2×2=5← 正确答案
  • B.1×2+2×1=4
  • C.2×1+4×2=10
  • D.1×1+3×2=7

答案：A。互相关不翻转核，n=0 时窗口为 [1,2]，与核 [1,2] 逐元素相乘再求和：1×1+2×2=5。选项 B 是翻转核后的卷积结果，C、D 取错了窗口位置。

Q6. 关于“核翻转后做数学卷积与直接做互相关”的关系，正确的说法有？

多选题 · mid

  • A.对任意输入两者输出完全相同← 正确答案
  • B.只有窗口为奇数时才成立
  • C.两次翻转相互抵消所以相等← 正确答案
  • D.两者输出维度存在差异

答案：AC。数学卷积自带一次翻转，核再预先翻转一次，两次翻转抵消，等价于直接互相关，且对任意输入、任意窗口尺寸都成立，所以 A 对、B 错。C 正确描述了抵消机制。输出维度由滑动规则决定，两者相同，D 错。

Q7. 信号处理中卷积核必须翻转，其物理根源是？

单选题 · hard

  • A.因果系统对历史的加权记忆← 正确答案
  • B.为了减小计算量的优化技巧
  • C.为了保持输出信号的对称性
  • D.为了消除系统噪声的干扰

答案：A。在线性时不变系统中，输出是过去输入的加权叠加，响应 h[n-k] 的下标要求“时间倒着看”，翻转由此而来。它是因果性在公式上的投影，与计算量、对称性、去噪无关。

Q8. 关于 PyTorch 与 TensorFlow 卷积实现的表述，正确的是？

多选题 · hard

  • A.两者内部都实现互相关← 正确答案
  • B.两者内部都执行翻转
  • C.两者对外命名都叫卷积← 正确答案
  • D.两者手工核方向都相反

答案：AC。两大框架的 conv 层内部都是互相关（核不翻转），但对外统一命名为卷积，保持与学界术语一致。B、D 与事实不符。

Q9. 从可学习参数角度看，互相关与数学卷积在 CNN 中的关系是？

单选题 · mid

  • A.两者可表达函数空间相同← 正确答案
  • B.数学卷积能力严格更强
  • C.互相关能力严格更强
  • D.两者能力完全不可比较

答案：A。翻转映射 flips 是权重空间上的双射，互相关核权重组与卷积核权重组一一对应，两个函数集合相等。因此两者表达能力完全相同，不存在谁更强或不可比较的问题。

Q10. 关于卷积与互相关“区别与联系”的表述，正确的有？

多选题 · mid

  • A.唯一区别是核是否翻转← 正确答案
  • B.两者都可用滑动窗口描述← 正确答案
  • C.CNN 沿用卷积这一称呼← 正确答案
  • D.两者在命名上完全无关

答案：ABC。两者唯一的数学差异就是核是否翻转，且共享同一套滑窗乘加机制，所以 A、B 对。CNN 实际做互相关，却沿用“卷积”这一历史称呼，C 对。深度学习生态把两者在命名上合并，D 错。