卷积与池化的原理及卷积处理图像的优势
哪些公司问过
答案要点
- 卷积:卷积核滑动做乘加,提取局部特征;框架实现通常是互相关
- 池化:最大/平均池化,下采样、减少计算、扩大感受野、带来一定平移不变性
- 局部连接:利用图像局部相关性
- 权重共享:同一卷积核全图复用,参数量与输入尺寸无关
- 参数量 (k×k×C_in+1)×C_out;输出尺寸 (W−K+2P)/S+1
易错点
- 说池化有可学习参数:最大池化和平均池化都没有参数
- 把平移等变和平移不变混为一谈:卷积是等变,池化和全局汇聚带来一定不变性
- 计算参数量时漏掉偏置或输入通道数
面试官常见追问
- 为什么不同领域都能用 CNN,解决了什么共性问题?
- 权重共享具体是怎么做的?
- 卷积如何捕获图像细节?
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。