📚 课程目录第4章深度学习模型与网络结构

第4章深度学习模型与网络结构：CNN、ResNet、YOLO等原理与面试常见追问

本章聚焦面试中最高频的三大模型——CNN、ResNet、YOLO，从原理本质到面试追问，帮你构建从“懂概念”到“能深聊”的回答能力。面试官通常从模型动机→核心机制→工程选型→变体改进层层深入，你的回答需要体现原理深度 + 工程权衡 + 场景适配。

模型	核心思想	关键创新	面试高频点
CNN	局部连接 + 权值共享	卷积核滑动提取空间特征	组件作用、小卷积核优势、变体理解
ResNet	残差学习	恒等映射解决退化问题	残差连接本质、瓶颈结构、改进版本
YOLO	回归思想统一检测	一阶段端到端实时检测	与两阶段对比、多尺度检测、工业部署

请详细解释CNN中卷积层、池化层、全连接层的作用，以及为什么现代CNN倾向使用小卷积核（如3×3）堆叠？

🎯 考察点组件理解深度、小卷积核优势的定量与定性分析

📐 回答框架分层说明 → 对比分析 → 总结优势

示例回答

卷积层提取局部特征，池化层降维并增强平移不变性，全连接层整合全局特征。3×3卷积优势：两个堆叠感受野等于5×5，参数量减少28%，且引入更多非线性变换，提升模型表达能力。

🔍 可能追问 1×1卷积作用？深度可分离卷积原理？空洞卷积应用？

⚠️ 避坑提醒不要只罗列组件名称，要讲清楚“为什么小卷积核更好”，体现对计算效率和表达力的权衡理解。

ResNet提出的残差学习解决了什么问题？请解释残差连接为什么能让网络训练得更深？

🎯 考察点对深层网络训练难题的认知、残差学习的本质理解

📐 回答框架问题诊断 → 机制解释 → 效果分析

示例回答

ResNet解决深层网络退化问题——非过拟合，而是优化困难。残差连接让梯度通过恒等路径直通浅层，缓解梯度消失。恒等映射使网络可自主选择学习残差或退化为浅层，让优化更平滑，152层训练成为可能。

🔍 可能追问瓶颈结构设计动机？Pre-activation改进点？ResNeXt组卷积思想？

⚠️ 避坑提醒区分“退化问题”和“梯度消失”是两个不同概念，退化是优化困难而非单纯梯度消失，体现理解的精确性。

YOLO系列目标检测算法的核心思想是什么？相比Faster R-CNN有哪些优势和不足？

🎯 考察点检测算法演进理解、一阶段 vs 两阶段权衡

📐 回答框架核心思想 → 对比分析 → 场景适配

示例回答

YOLO将检测视为回归问题，一次前向输出类别和位置。相比Faster R-CNN取消候选框分支，速度提升10倍以上。YOLOv3引入FPN和多尺度预测，在小目标检测上大幅改进。工业实时场景YOLO为首选，高精度场景两阶段更优。

🔍 可能追问 YOLOv5 Mosaic增强原理？YOLOv8 Anchor-Free改进？小目标检测优化策略？

⚠️ 避坑提醒不要片面说YOLO“更好”，要说明精度与速度的权衡，体现对不同场景下算法选型的判断力。

项目案例基于YOLOv8的PCB板表面缺陷实时检测系统

📌 业务背景
电子制造产线需要检测PCB板焊点缺陷、划痕、短路等瑕疵，传统人工目检效率低、漏检率高，亟需自动化视觉检测方案。

📊 规模指标
检测速度 ≥60 FPS，缺陷检出率 ≥99.5%，误报率 ≤0.5%，支持 10+ 种缺陷分类。

⚙️ 技术栈
YOLOv8、PyTorch、OpenCV、TensorRT、NVIDIA Jetson Orin。

🧩 核心难点
① 小目标缺陷（焊点仅几十像素）；② 类别不平衡（良品占95%以上）；③ 产线节拍要求高。

🔁 面试高频追问 & 可迁移回答话术

追问：如何处理小目标检测？

多尺度训练、增加浅层特征图分辨率、使用更小Anchor、结合注意力机制聚焦小目标区域。

追问：如何解决类别不平衡？

Focal Loss降低易分类样本权重、数据增强过采样缺陷样本、分层训练策略先均衡后微调。

追问：如何部署到边缘设备？

模型剪枝、INT8量化、TensorRT加速、流水线并行处理，精度损失<0.3%下推理速度提升2倍。

第4章 深度学习模型与网络结构：CNN、ResNet、YOLO等原理与面试常见追问