CNN、RNN 深度学习面试题及详细答案（实战版）_1.docxVIP

CNN、RNN深度学习面试题及详细答案（实战版）

一、CNN卷积神经网络面试题

1.简单介绍一下CNN的核心原理，以及它相比全连接网络的优势？

参考答案：

CNN是专门用于处理网格结构数据的网络，比如图像、二维矩阵数据，核心依靠卷积、池化、激活三层核心结构完成特征提取与维度压缩。

全连接网络处理图像时，会把整张图片像素拉直成一维向量，完全丢失像素的空间位置、相邻关联信息，且参数量极大，极易过拟合。

CNN有三个核心特性，彻底解决全连接网络的痛点：

第一是局部感受野，神经元不需要和整张图片所有像素连接，只感知局部区域，贴合图像特征规律（边缘、纹理都是局部特征）；

第二是权值共享，同一个卷积核在图像所有区域滑动时，参数完全一致，大幅减少参数量，降低计算量和过拟合风险；

第三是池化降维，通过最大池化、平均池化压缩特征图尺寸，保留核心特征，去除冗余信息，提升模型泛化能力。

整体流程就是：卷积提取浅层特征（边缘、线条）→深层卷积组合出高级特征（纹理、部件）→池化降维→全连接层完成分类/回归。

2.卷积核的作用是什么？不同大小卷积核有什么区别？

参考答案：

卷积核是CNN的特征提取器，本质是一组可学习的权重矩阵。网络训练的过程，就是不断更新卷积核参数，让它学会识别数据中的有效特征。

不同尺寸卷积核的差异：

1×1卷积：不改变特征图尺寸，主要用于通道降维、跨通道信息