简要回答
CNN 用局部感受野滑动扫描图像，同一卷积核在全图权值共享，天然具有平移等变性，以远少于全连接的参数学到从边缘纹理到物体语义的层次特征。
标准回答
一、先给出结论和背景
- 局部连接（Locality）：每个神经元只关注局部 patch，符合图像「相邻像素强相关」的先验，避免全连接带来的参数爆炸。
- 权值共享（Weight Sharing）：同一 kernel 扫过整张图，参数量与图像尺寸解耦，并带来平移等变性——目标平移后特征图也相应平移，利于检测/分割。
二、拆开关键步骤和判断点
- 层次特征（Hierarchy）：浅层学边缘、纹理；中层学部件；深层学语义（可用 Grad-CAM 等可视化验证）。典型栈：Conv → 激活（ReLU）→ Pooling/Stride 降采样 → 全局池化或 FC 分类。
- 与现代 ViT 对比：ViT 依赖大数据预训练做全局建模；CNN 在小数据、边缘部署（手机/NPU）场景仍常见。工业界也有 ConvNeXt、混合架构等折中方案。
三、补上落地边界和取舍
面试里可以补一个视觉任务例子：卷积神经网络CNN为什么适合图像任务 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：把「平移不变性」说成「旋转不变性」（需数据增强或专用结构）；只会背 AlexNet 层数却不会解释 inductive bias；忽视 padding/stride 对输出尺寸的影响。
追问
追问 1：1×1 卷积有什么用？
跨通道线性组合（升维/降维）、在不扩大感受野的前提下做 channel mixing，后接激活引入非线性。Inception、ResNet bottleneck 中用于减参。
追问 2：CNN 和 ViT 如何选型？
题库专题：目标检测中两阶段（R-CNN）与单阶段（YOLO）有何区别？数据少、需强归纳偏置、边缘算力紧 → CNN/ConvNeXt；有大规模预训练、追求全局上下文 → ViT/Swin。也可蒸馏：大 ViT 教小 CNN。
题库延伸：与本追问相关的专题题 → 目标检测中两阶段（R-CNN）与单阶段（YOLO）有何区别？
追问 3：感受野如何计算？
可以这样答：感受野不是只看当前卷积核大小，而是要把前面每一层的 kernel、stride 和 padding 累积起来算。面试时先说“当前层一个特征点能看到输入图像多大区域”，再举例：两层 3×3、stride=1 的卷积，感受野会从 3 扩到 5；如果中间有 stride=2，后续每一层扩张会更快。最后补一句工程意义：感受野太小看不到全局，太大但有效感受野不足也可能抓不住细节。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习