CNN 卷积神经网络面试全集｜卷积、池化、感受野

前言计算机视觉算法岗必考核心就是 CNN，从基础卷积运算、池化操作，到经典网络结构、感受野、参数量计算全是高频考题。本文整理最全 CNN 面试精简答案，条理清晰直接背诵，视觉方向面试稳稳通关。一、CNN 整体三大核心结构卷积层：提取局部纹理、边缘、形状等空间特征池化层：下采样降维、压缩特征、减少参数量、增强平移不变性全连接层：整合全局特征，映射为分类输出二、卷积运算核心知识点1. 卷积核作用用固定大小滑动窗口，遍历整张特征图，提取局部空间特征；浅层抓边缘线条，深层抓整体目标轮廓。2. 卷积四大超参卷积核大小 Kernel_size步长 Stride：滑动一次移动距离填充 Padding：边缘补 0，控制输出尺寸卷积核数量：决定输出通道数3. 特征图尺寸计算公式\(Out = \frac{In + 2\times Padding - Kernel}{Stride}+1\)4. 局部感受野神经元不再连接整张图像，只感知局部区域，大幅减少计算量，符合视觉局部关联性特点。5. 权值共享整张特征图共用同一套卷积核权重，大幅降低参数量，实现相同特征位置无关提取。三、池化层高频考点1. 最大池化 MaxPool取区域内最大值，保留最强特征，主流使用，突出纹理与轮廓。2. 平均池化 AvgPool取区域平均值，平滑特征，易模糊边缘，使用较少。3. 池化层作用降低特征图分辨率，减少计算量与参数量