CNN 与 DNN 的选择及 CNN 中全连接层的作用
哪些公司问过
答案要点
- 有空间/局部相关结构的数据(图像、频谱)用 CNN;无结构的向量特征(表格)用 DNN
- CNN 靠局部连接和权重共享提取特征,参数效率高
- 序列和文本目前多用 Transformer,CNN 可提取局部 n-gram 特征
- 全连接层把展平的特征整合为全局表示,并映射到类别输出
- 全连接参数多且固定输入尺寸,常用全局平均池化或 1×1 卷积替代
易错点
- 认为 CNN 必须有全连接层:很多现代网络只保留最后一个线性分类层
- 说表格数据用 CNN 更好:特征顺序没有空间含义,局部卷积的先验不成立
- 忽略全连接层是 CNN 参数量的主要来源(以 VGG 为例)
面试官常见追问
- 全局平均池化为什么能替代全连接层?
- 全连接层和 1×1 卷积有什么关系?
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。