卷积神经网络面试题25 题
- 01 CNN 中 Padding 和 Stride 如何影响输出尺寸？
- 02 1×1 卷积有什么作用？它不是没有空间信息吗？
- 03 池化层（Pooling）有什么作用？最大池化和平均池化怎么选？
- 04 经典 CNN 架构有哪些？LeNet 到 ResNet 是怎么演进的？
- 05 卷积层的输出尺寸和参数量怎么计算？
- 06 卷积神经网络（CNN）的基本原理是什么？卷积操作在做什么？
- 07 空洞卷积有什么作用？
- 08 什么是感受野（Receptive Field）？怎么扩大感受野？
- 09 BatchNorm 在 CNN 中为什么有效？
- 10 CNN 的局部连接和权值共享是什么？为什么能大幅减少参数？
- 11 CNN 迁移学习怎么做？
- 12 CNN 为什么具有平移等变性？
- 13 CNN 相比全连接网络有什么优势？为什么更适合图像？
- 14 什么是深度可分离卷积？为什么能大幅减少计算量？
- 15 ResNet 的残差连接是什么？为什么它能训练很深的网络？
- 16 输入分辨率对 CNN 精度和成本有什么影响？
- 17 小数据集训练 CNN 如何缓解过拟合？
- 18 CNN 迁移学习中冻结和微调怎么选？
- 19 CNN 特征图可视化能帮助我们理解什么？
- 20 CNN 训练中数据增强有什么作用？怎么避免增强过度？
- 21 分组卷积有什么作用？和深度可分离卷积有什么关系？
- 22 目标检测中的 Backbone、Neck、Head 分别是什么？
- 23 小 Batch 训练 CNN 时 BatchNorm 不稳定怎么办？
- 24 CAM/Grad-CAM 如何解释 CNN 关注区域？
- 25 Global Average Pooling 为什么常用于 CNN 分类头？
没有符合条件的题目。