2. 经典CNN架构精讲
说到CNN架构，面试里问得最多的就是这三个：ResNet、Inception、MobileNet。我当年面试时，面试官直接让我在白板上画ResNet的残差块，然后问“为什么加个跳跃连接就能训练更深？”——这个问题，今天咱们彻底讲透。
一、ResNet：残差思想，让网络“深”得下去
在ResNet出现之前，大家发现一个反直觉的现象：网络越深，效果反而越差。不是过拟合，是训练集上的误差都降不下去。这被称为“退化问题”。
核心洞察：深层网络难以拟合恒等映射。与其让网络直接学习H(x)，不如让它学习残差F(x) = H(x) - x，然后输出F(x) + x。
1.1 残差块结构
一个标准的残差块长这样：输入x经过两层卷积，得到F(x)，然后和原始x相加，再经过ReLU激活。就这么简单的一个跳跃连接，解决了大问题。
# 一个基本的残差块（PyTorch风格）
def forward(self, x):
identity = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
# 关键步骤：跳跃连接
out += identity
out = self.relu(out)
return out1.2 为什么残差有效？
我个人习惯从梯度流的角度理解。反向传播时，梯度通过跳跃连接可以直接传到前面的层，避免了梯度消失。你想想看，如果没有这个连接，梯度要经过多层卷积的连乘，很容易就衰减到0了。
避坑指南：我曾经在项目中遇到维度不匹配的问题——当卷积层改变了特征图的通道数或尺寸时，identity和F(x)没法直接相加。解决办法是用1x1卷积对identity做投影，调整维度。
1.3 ResNet系列变体
| 变体 | 层数 | 特点 | 适用场景 |
|---|---|---|---|
| ResNet-18/34 | 18/34 | 基本残差块（2层卷积） | 轻量级任务，快速实验 |
| ResNet-50/101/152 | 50/101/152 | 瓶颈块（1x1→3x3→1x1） | ImageNet级任务 |
| ResNeXt | 各种 | 分组卷积 + 残差 | 更高精度需求 |
瓶颈块的设计很有意思：先用1x1降维，3x3计算，再用1x1升维。这样既减少了参数量，又保持了表达能力。我记得第一次看到这个设计时，觉得这简直是“四两拨千斤”的典范。
二、Inception：多尺度设计，让网络“看”得更全
Inception的核心思想很简单：与其手工选择卷积核大小，不如让网络自己决定。在同一层里，同时使用1x1、3x3、5x5的卷积和池化，然后把结果拼在一起。
2.1 Inception v1（GoogLeNet）
最初的Inception模块有四个分支：1x1卷积、3x3卷积、5x5卷积、3x3池化。每个分支后面都接一个1x1卷积做降维，控制计算量。
关键设计：1x1卷积在这里扮演了两个角色：一是降维减少计算量，二是增加非线性。说白了，就是用更少的参数实现更强的表达能力。
2.2 Inception v2/v3：分解卷积
Inception v3把大卷积核分解成小卷积核的堆叠。比如5x5分解成两个3x3，3x3分解成1x3和3x1。这样做的好处是：参数量更少，非线性更多，训练更快。
# Inception v3中的分解卷积示意
# 5x5卷积 → 两个3x3卷积
# 3x3卷积 → 1x3 + 3x1 卷积2.3 多尺度的实际意义
我在做图像分类项目时发现，不同尺度的物体需要不同大小的感受野。小猫的脸可能只需要3x3，但整只猫就需要5x5甚至更大。Inception让网络自己学习该用哪个尺度，省去了手工调参的麻烦。
注意：Inception模块的计算量并不小。虽然每个分支都做了降维，但四个分支并行计算，整体FLOPs还是偏高。移动端部署时需要考虑这个因素。
三、MobileNet：轻量化策略，让网络“跑”得起来
MobileNet的目标很明确：在移动设备上实时运行。它的核心武器是深度可分离卷积（Depthwise Separable Convolution）。
3.1 标准卷积 vs 深度可分离卷积
标准卷积：一个卷积核同时处理所有通道。深度可分离卷积：先对每个通道单独做卷积（Depthwise），再用1x1卷积混合通道（Pointwise）。
| 卷积类型 | 参数量 | 计算量 | 特点 |
|---|---|---|---|
| 标准卷积 | Dk² × M × N | Dk² × M × N × Df² | 通道和空间同时处理 |
| 深度可分离卷积 | Dk² × M + M × N | Dk² × M × Df² + M × N × Df² | 空间和通道分离处理 |
其中Dk是卷积核大小，M是输入通道数，N是输出通道数，Df是特征图尺寸。深度可分离卷积的参数量大约是标准卷积的1/N + 1/Dk²。当N=256, Dk=3时，参数量只有标准卷积的1/9左右。
直观理解：标准卷积像是一个全能选手，一个人干所有事。深度可分离卷积像是流水线作业，每个工人只干一件事，效率更高。
3.2 MobileNet v1 vs v2 vs v3
- v1：深度可分离卷积 + 宽度乘数α + 分辨率乘数ρ。α控制通道数，ρ控制输入分辨率。
- v2：倒残差结构（Inverted Residual） + 线性瓶颈。先升维再降维，和ResNet相反。
- v3：NAS搜索 + 硬件感知。用神经网络架构搜索自动找到最优结构。
我记得在做一个移动端人脸识别项目时，用MobileNet v2替换了原来的ResNet-18，模型大小从40MB降到了8MB，推理速度提升了3倍，精度只掉了0.5%。这种trade-off在工业界非常常见。
3.3 轻量化设计的通用原则
从MobileNet的设计中，我们可以总结出几条轻量化原则：
- 分解大卷积：用多个小卷积代替大卷积，比如3x3代替5x5。
- 分离通道和空间：深度可分离卷积是典型代表。
- 控制通道数：用1x1卷积做降维，减少后续计算量。
- 使用瓶颈结构：先降维再升维，或者先升维再降维，根据任务选择。
四、三种架构的对比与选择
| 维度 | ResNet | Inception | MobileNet |
|---|---|---|---|
| 核心思想 | 残差学习 | 多尺度融合 | 轻量化 |
| 主要优势 | 训练深层网络 | 多尺度特征 | 低参数量、低计算量 |
| 主要劣势 | 参数量较大 | 计算量较大 | 精度上限较低 |
| 典型应用 | 通用图像分类 | 高精度分类 | 移动端、嵌入式 |
面试时，面试官可能会问“你会在什么场景下选择哪个架构？”我的回答是：如果追求精度且计算资源充足，选Inception；如果需要训练很深的网络，选ResNet；如果要在手机上实时运行，选MobileNet。当然，现在很多工作都在做三者的融合，比如MobileNet v2就借鉴了ResNet的残差思想。
面试技巧：当被问到“为什么ResNet能训练到1000层以上”时，不要只回答“因为跳跃连接”。要深入解释梯度流、恒等映射、退化问题这三个层次。面试官想听的是你对问题本质的理解。
五、知识结构图
下面这张图总结了三种架构的核心思想和关键设计，方便你面试前快速回顾。
嗯，以上就是经典CNN架构的核心内容。ResNet解决了深度问题，Inception解决了尺度问题，MobileNet解决了效率问题。面试时，能把这三个问题讲清楚，就已经超过大多数候选人了。