AI-Agent 面试题汇总 - 计算机视觉篇(图像分类)

1. GoogleNet 采用了什么结构？Inception V1/V2/V3/V4 的演进是什么？

GoogLeNet 的核心是 Inception 模块：在同一层并行使用不同尺度卷积核（1×1、3×3、5×5）与池化，再拼接输出，提升多尺度特征提取能力。演进思路：

• V1：提出 Inception，1×1 降维减少计算量。
• V2：加入 BatchNorm，训练更稳定。
• V3：卷积分解（如 3×3→1×3+3×1），进一步降算力。
• V4：更深更宽，并结合 Inception-ResNet 思路提升性能。

2. 池化分为哪几种？特点和作用是什么？

常见池化：

• 最大池化（Max Pooling）：保留最强响应，突出纹理/边缘。
• 平均池化（Average Pooling）：平滑特征，保留整体统计。
• 全局平均池化（GAP）：每个通道压成1个值，减少参数、防过拟合。

作用：降采样、减少计算、增强平移不变性、抑制噪声。

import torch.nn as nn
max_pool = nn.MaxPool2d(kernel_size=2, stride=2)
avg_pool = nn.AvgPool2d(kernel_size=2, stride=2)
gap = nn.AdaptiveAvgPool2d((1, 1))

3. 卷积神经网络的组成

典型 CNN 由以下部分构成：

1. 卷积层（提取局部特征）
2. 激活函数（引入非线性）
3. 池化层（降采样）
4. 归一化层（稳定训练，如BN）
5. 全连接层或分类头（输出类别概率）

import torch.nn as nn
model = nn.Sequential(
    nn.Conv2d(3, 32, 3, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(32, 64, 3, padding=1),
    nn.ReLU(),
    nn.AdaptiveAvgPool2d((1,1)),
    nn.Flatten(),
    nn.Linear(64, 10)
)

4. 为什么 CNN 对像素级别的分类很难？

CNN 的高层特征经过多次下采样，空间分辨率降低，细粒度像素位置信息丢失；而像素级分类（如语义分割）需要精确边界定位。因此要结合上采样、跳连（s