卷积层、池化层、全连接层的作用与特点
哪些公司问过
答案要点
- 卷积层:局部连接、权值共享,提取局部特征,参数量为 k×k×Cin×Cout,与输入尺寸无关
- 堆叠卷积层感受野逐步扩大,特征从边缘纹理到更高层的语义
- 池化层:最大或平均池化做下采样,无可学习参数,降低计算量并带来一定平移不变性
- 全连接层:每个神经元与上一层全部相连,参数量为输入×输出,整合全局特征用于分类
- 层间接 ReLU 等激活函数引入非线性;全连接层常被全局平均池化替代以减少参数
易错点
- 以为卷积层参数量随输入图像变大而增加
- 说池化层有可学习参数
- 忽略激活函数,以为只堆叠卷积和全连接就能拟合非线性
面试官常见追问
- 什么是梯度?
- 反向传播时为什么会出现梯度消失?
- 卷积输出尺寸怎么算?
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。