🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
🎯
趣闻经典CNN的深层特征越来越"抽象"：浅层检测边缘和颜色，中层检测纹理和部件，深层检测完整物体。这和人类视觉皮层的信息处理层级惊人地相似——CNN似乎在"重新发现"大脑的视觉策略。
一句话总结
💡
CNN完整架构通常由卷积层、激活函数、池化层堆叠构成特征提取骨干，后接全连接层完成分类或回归。
常见误区
这些坑别踩
✗
误区 1
CNN的层数随意堆叠越多越好。
✓
正确理解
简单堆叠深层网络会导致梯度消失/爆炸和退化问题(精度反而下降)，需要残差连接(如ResNet)等结构设计才能有效训练超深网络。
✗
误区 2
特征图尺寸在网络中保持不变。
✓
正确理解
CNN通过池化和步长卷积逐渐减小特征图空间尺寸、增加通道数，形成"空间变小、通道变深"的金字塔结构。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
一个典型 CNN 的整体数据流通常为以下哪种顺序？
2
关于 CNN 中"特征提取"与"分类"两个阶段的划分，下列说法正确的是？
3
在卷积层后通常会紧跟一个激活函数，最常用的是 ReLU，其主要原因是？
4
关于 CNN 中"展平（Flatten）"操作的位置与作用，下列描述正确的是？
面试经典题
共 5 题 · 先思考再看答案
1
基础
请描述一个典型 CNN（如 LeNet 风格）的完整前向数据流，并说明每一层的作用。
2
中等
为什么 CNN 通常采用"多个卷积-池化块堆叠"而不是单一巨大的卷积层？
3
中等
CNN 的特征提取阶段（backbone）输出特征图后，如何衔接到分类头？有哪些常见设计？
4
困难
在设计 CNN 时，如何权衡网络深度、宽度、分辨率与计算量？
5
中等
CNN 中为什么需要非线性激活函数？如果没有激活函数会怎样？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺