图像分类基础：从定义到ViT，面试官到底想考你什么？
图像分类，说白了就是让计算机看懂图片里是什么东西。你给它一张猫的照片，它得输出「猫」这个标签。听起来简单，但这里面的门道，面试官能问出花来。
我面过不少候选人，上来就背ResNet结构，但一问「为什么图像分类要用交叉熵损失？」就卡住了。嗯，咱们今天就把这块地基打牢。
图像分类任务定义
图像分类的核心是：给定一张输入图像，模型输出一个类别标签。数学上，它学习一个映射函数 f: X → Y，其中 X 是图像空间，Y 是类别集合。
面试高频考点：图像分类与图像识别、目标检测的区别。分类只回答「是什么」，检测还要回答「在哪里」。
我在项目中遇到过最坑的事：把分类任务当检测做，白白浪费了三个月标注数据。后来才明白，业务需求是「判断图片里有没有缺陷」，这其实是二分类，不是检测。
发展历程：AlexNet到ViT
这个发展史，面试官特别喜欢让你「画时间线」。我建议你记住几个关键节点，每个节点说清楚「解决了什么问题」和「带来了什么新问题」。
| 模型 | 年份 | 核心贡献 | 我的个人体会 |
|---|---|---|---|
| AlexNet | 2012 | ReLU激活、Dropout、GPU并行 | 第一次让深度学习在ImageNet上碾压传统方法 |
| VGG | 2014 | 小卷积核堆叠、网络加深 | 结构简单但参数量爆炸，我当年跑VGG-16显存直接爆了 |
| GoogLeNet | 2014 | Inception模块、1×1卷积降维 | 用更少的参数达到更好的效果，思路很巧妙 |
| ResNet | 2015 | 残差连接、Batch Normalization | 解决了梯度消失，152层不再是梦 |
| EfficientNet | 2019 | 复合缩放（深度、宽度、分辨率） | 自动化调参的典范，小模型也能打 |
| ViT | 2020 | Transformer直接应用于图像块 | 彻底抛弃CNN，用注意力机制看全局 |
面试技巧：当被问到「为什么ViT能成功？」时，别只说「因为Transformer强」。要提到：大规模预训练（JFT-300M）、图像块化（Patch Embedding）、位置编码的设计。我面试时听到这种回答，基本会给高分。
为什么会从CNN转向Transformer？我个人理解是：CNN的局部感受野限制了它看全局的能力。你想想看，一张图里猫的耳朵和尾巴可能离得很远，CNN需要堆很多层才能关联起来，而ViT一开始就把整张图切成块，用自注意力一步到位。
评价指标：面试官最爱的「灵魂拷问」
评价指标这块，面试官不会只让你背公式。他更想知道：你什么时候用哪个指标？为什么？
Top-1 / Top-5 准确率
这两个指标在ImageNet时代被广泛使用。Top-1就是模型预测概率最高的那个类别是否正确。Top-5是模型预测的前5个类别中是否包含正确类别。
关键区别：Top-1更严格，Top-5更宽容。在类别数很多（比如1000类）且类别间相似度高时，Top-5更有意义。
我曾经在一个细粒度分类项目里，类别是100种鸟。Top-1只有72%，但Top-5到了94%。客户一开始只看Top-1，觉得模型太差。我给他解释了「相似物种混淆」的概念，他才接受。嗯，这里要注意：业务场景决定指标选择。
混淆矩阵
混淆矩阵是分类问题的「照妖镜」。它不只告诉你对错，还告诉你错在哪里。
| 预测为正 | 预测为负 | |
|---|---|---|
| 实际为正 | TP（真正例） | FN（假负例） |
| 实际为负 | FP（假正例） | TN（真负例） |
从混淆矩阵可以衍生出：
- 准确率 = (TP + TN) / (TP + TN + FP + FN)
- 精确率 = TP / (TP + FP) —— 查准率，关注「预测为正的里面有多少是对的」
- 召回率 = TP / (TP + FN) —— 查全率，关注「实际为正的里面找回了多少」
- F1分数 = 2 × (精确率 × 召回率) / (精确率 + 召回率)
避坑指南：我曾经在一个医疗影像项目里，正样本只占1%。模型全部预测为负，准确率高达99%，但召回率是0%。如果只看准确率，你会觉得模型完美——实际上它什么都没学到。所以，类别不平衡时，别只看准确率。
知识体系总览
下面这张图，是我自己整理图像分类知识体系时画的。面试前看一眼，能帮你快速建立全局观。
面试实战：一个经典问题
我经常在面试里问这个问题：「给你一个100类的图像分类任务，数据严重不平衡，你会怎么评估模型？」
好的回答应该是：
- 先看混淆矩阵，找出哪些类容易混淆
- 计算每个类别的召回率和精确率，而不是只看整体准确率
- 用加权F1或宏平均F1作为主要指标
- 如果业务对某些类特别关注，可以单独看这些类的指标
加分项：提到「我会画每个类别的ROC曲线和AUC值，这样能更全面地评估模型在不同阈值下的表现」。面试官听到这个，会觉得你有实战经验。
好了，图像分类的基础就聊到这儿。记住：面试官要的不是你背得多，而是你理解得深。下次面试前，把这张知识体系图在脑子里过一遍，你就能从容应对了。