AlexNet 结构及 VGG 相比 AlexNet 的改进
哪些公司问过
360公司1阿里巴巴、腾讯、滴滴、字节跳动1
答案要点
- AlexNet:5 卷积 + 3 全连接,首层 11×11 步长 4,后接 5×5 和 3×3 卷积,FC 为 4096-4096-1000
- AlexNet 的关键技术:ReLU、Dropout、数据增强、重叠最大池化、LRN、双 GPU 训练
- VGG 全部采用 3×3 卷积(步长 1、padding 1)和 2×2 最大池化,深度 16/19 层
- 小核堆叠:感受野不变、参数更少、非线性更多,网络更深
- VGG 代价:参数量大(以 VGG16 为例约 1.38 亿),主要在全连接层,计算量也大
易错点
- 以为 VGG 的主要创新是加深层数:关键是用统一的小卷积核让加深可行
- 说 AlexNet 发明了 Dropout:Dropout 是同期另一工作提出的,AlexNet 是把它用于大规模 CNN
- 忽略 VGG 的参数主要来自全连接层,而不是卷积层
面试官常见追问
- 为什么 AlexNet 第一层用大卷积核和大步长?
- LRN 是什么,后来为什么不用了?
- 两个 3×3 卷积的参数比一个 5×5 少多少?
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。