核心要点
CNN 用卷积提取局部空间特征
理解权值共享与平移等变性
适用图像、视频、部分序列/图数据
能与全连接、Transformer 对比选型
简要回答
CNN 通过卷积核局部扫描和权值共享提取空间层次特征，适合图像、视频等网格数据；在检测、分割、分类等视觉任务中是经典首选架构。
标准回答
卷积神经网络（CNN） 专为具有空间或网格结构的数据设计：图像、视频帧、频谱图、甚至 1D 序列。
核心机制：
- 局部连接：每个神经元只看局部 patch
- 权值共享：同一 kernel 扫全图，参数高效
- 平移等变性：目标平移 → 特征图平移
- 层次特征：浅层边缘 → 深层语义
何时使用：
| 任务 | 说明 |
|---|---|
| 图像分类/检测/分割 | 天然首选 |
| 医学影像 | CT/MRI 分析 |
| 视频理解 | 3D 卷积或 2D+时序 |
| 语音 | 1D CNN、MFCC 特征 |
| OCR | 文字区域特征 |
何时慎用：纯表格数据用 MLP/树模型；需全局上下文且有大预训练可考虑 ViT；极小边缘设备需轻量化（MobileNet）。
详见 计算机视觉入门 与 CNN 面试精编。
回答思路
【定义】用一句话说清「什么是卷积神经网络（CNN）？何时使用」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
术语：CNN、Transformer。知识库：计算机视觉入门、深度学习基础。工具：PyTorch。
常见误区
⚠️ 常见踩坑
说 CNN 只能做分类；混淆平移等变与旋转不变；忽视 padding/stride 对输出尺寸影响。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
