人工智能面试题 · CNN
人工智能相关岗位面试题。
共 11389 道真题 · 当前筛选命中 50 道 · 更新 2026-08-05
筛选题目已选：CNN
考察点
技术栈
第 1 题CNN和Transformer有什么区别？ 考察对两类主流神经网络架构在原理、适用场景和差异上的理解第 2 题Vision Transformer (ViT) 和 CNN 在图像特征提取上的优劣对比? 考察对ViT与CNN架构特性、适用场景和权衡的理解第 3 题CNN怎么感知全局 考察对卷积神经网络感受野与全局感知机制的理解第 4 题CNN中的卷积到底指什么？是否可以举个例子说明？ 考察对卷积操作本质的理解与应用示例第 5 题卷积如何获得全局视野？如果提到 U-Net，可以做到吗？ 考察对卷积感受野、全局信息获取机制和 U-Net 结构的理解第 6 题请介绍 CNN 模型的核心结构和工作原理。 考察对 CNN 卷积层、池化层、全连接层等核心结构的理解第 7 题Transformer和CNN、ViT的区别和关系是什么？ 考察对主流视觉与序列模型架构原理及演进关系的理解第 8 题Transformer和CNN在目标检测中有什么相同和不同点 考察对CNN与Transformer在目标检测中结构差异和适用场景的理解第 9 题请比较CNN和Transformer在图像任务中的主要区别，并说明各自适用的场景。 考察对两种主流模型架构核心差异的理解及场景选择能力第 10 题图像数据通常如何处理位置编码？ 考察对图像任务中位置信息建模的理解第 11 题CNN、Transformer的区别，分别更适合怎样的任务？ 考察对两种主流深度学习架构原理差异与适用场景的理解第 12 题CNN有哪些层，各个层的作用以及原理？ 考察对卷积神经网络基本组成及各层原理的理解第 13 题CNN和Transformer在图像分割或图像分类领域，各自的优缺点是什么？ 考察对主流视觉模型架构原理及适用场景的深入理解第 14 题请对比Transformer与CNN、RNN的网络结构差异，并讨论各自的适用场景与设计考量。 考察对主流神经网络架构的原理理解、适用场景判断和设计权衡能力第 15 题请概述卷积神经网络（CNN）从早期到深度学习时代的发展脉络，包括关键的网络结构和它们解决的问题。 考察对CNN发展历史、关键技术演进及问题驱动的理解第 16 题Transformer和CNN有什么不同？ 考察对两种主流网络架构的机制理解与适用场景辨析第 17 题请你解释一下卷积核大小和步长分别对卷积神经网络特征提取有什么影响？ 考察卷积神经网络基础参数的理解第 18 题CNN的Backbone有哪些？ 考察对主流卷积神经网络主干结构的了解与对比能力第 19 题请详细介绍你论文中卷积神经网络的设计，重点说明卷积核大小的选择依据及其对参数数量、感受野和计算开销的影响，并现场推导给定输入尺寸和卷积核下的输出尺寸。 考察卷积核大小选择的合理性及卷积网络基础计算能力第 20 题说说CNN和Transformer区别 考察对卷积神经网络与Transformer架构核心差异及其适用场景的理解