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 21 题Transformer、CNN、LSTM的区别 考察对三种主流神经网络结构原理、适用场景和优缺点的理解第 22 题请讲一下卷积神经网络（CNN）的基本原理和典型结构。 考察对CNN核心概念和结构构成的理解第 23 题1x1卷积核在神经网络中有什么作用？ 考察对1x1卷积核功能的理解及其在卷积网络中的应用第 24 题1×1卷积的作用是什么？ 考察对1×1卷积在深度学习网络中功能与价值的理解第 25 题请介绍在调制识别任务中常用的卷积神经网络结构及其优势。 考察对卷积神经网络在信号调制识别中应用的理解第 26 题给定输入特征图尺寸为 H×W，卷积核大小为 k，步长为 s，填充大小为 p，请写出卷积后输出特征图的尺寸公式。 考察卷积神经网络基础中输出尺寸计算，包括步长、填充的边界处理第 27 题请谈谈你对Transformer模型的理解，以及它与CNN、LSTM的主要区别。 考察对Transformer架构核心机制的掌握及其与经典模型差异的理解第 28 题请介绍CNN和LSTM各自的网络结构特点。 考察对CNN与LSTM结构原理的基本理解第 29 题请介绍最近一个项目中使用的卷积神经网络结构，包括卷积层的数量和关键设计考量。 考察卷积网络结构设计能力与项目实践经验第 30 题请描述 VGG16 的架构细节，包括网络层数、卷积核大小、池化方式和参数量特点。 考察对经典 CNN 架构 VGG16 的掌握程度，包括结构设计、参数计算和设计思想第 31 题CNN（卷积神经网络）为什么通常使用奇数尺寸的卷积核而不是偶数尺寸？ 考察对卷积核设计原理、特征对齐与对称性的理解第 32 题请手写实现一个可变形卷积（Deformable Convolution）的前向过程，并说明其关键点。 考察对可变形卷积原理和实现细节的理解第 33 题请解释卷积神经网络（CNN）的深层机制，包括卷积、池化和全连接层的作用及其如何逐层提取特征。 考察对CNN核心组件及特征提取流程的理解深度第 34 题你了解哪些CV领域的模型？可以谈谈CNN、ResNet、CLIP、BLIP、ViT等。 考察对经典与前沿CV模型的了解深度及对比能力第 35 题Transformer的流程,和CNN的区别 考察对Transformer架构流程的理解及与CNN的对比第 36 题CNN 是否不擅长解决长距离依赖问题？空洞卷积又是如何改善这一点的？ 考察对 CNN 感受野限制及空洞卷积机制的理解第 37 题CNN 能否用于构建语言模型？请说明其原理、局限性及适用场景。 考察对 CNN 应用于序列建模与语言模型的理解及局限分析第 38 题介绍一下CNN？ 考察对卷积神经网络基本原理和核心组件的理解第 39 题请介绍自然图像分割的常见算法及其在工业应用中的选型思路。 考察图像分割算法知识及其工业落地选型能力第 40 题请说明CNN网络中卷积层、池化层和全连接层各自的作用。 考察对CNN基础组件功能的理解