CNN经典架构、感受野与参数量计算
哪些公司问过
答案要点
- 输出尺寸=floor((W-K+2P)/S)+1,padding=(K-1)/2且stride=1时尺寸不变
- 参数量=K×K×Cin×Cout+Cout(偏置),与输入图像的宽高无关
- 感受野递推:r_l=r_(l-1)+(k_l-1)×之前所有层stride的乘积,多层3×3可替代大卷积核
- 演进:LeNet→AlexNet(ReLU/Dropout/GPU)→VGG(小核堆叠)→GoogLeNet(Inception/1×1)→ResNet(残差)
- ResNet通过恒等捷径让梯度直接回传,缓解深层网络的退化和梯度消失问题
易错点
- 算参数量时忘记加偏置,或误把输入特征图尺寸乘进去
- 感受野计算忽略前面层的stride累乘,导致结果偏小
- 输出尺寸公式除不尽时要向下取整,不能直接写成小数
面试官常见追问
- 为什么VGG用多个3×3代替大卷积核?
- 1×1卷积有什么作用?
- 卷积层的计算量(FLOPs)怎么估?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。