🧠 深度学习ID: cnn-architectures

经典 CNN 演进

Q: 为什么用两个 3×3 堆叠替代一个 5×5 卷积? 感受野、参数量、计算量分别对比。

【经典 CNN 演进 核心考点 1】为什么用两个 3×3 堆叠替代一个 5×5 卷积? 感受野、参数量、计算量分别对比。。技术解析：定义: CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 2l+1), 参数从 25C^2 降为 2 \times 9C^2, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/cnn-architectures

Q: 简述 LeNet→VGG→ResNet→DenseNet 的演进, 每一代解决了上一代的什么问题?

【经典 CNN 演进 核心考点 2】简述 LeNet→VGG→ResNet→DenseNet 的演进, 每一代解决了上一代的什么问题?。技术解析：定义: CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 2l+1), 参数从 25C^2 降为 2 \times 9C^2, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/cnn-architectures

Q: CNN 设计中“分辨率减半、通道翻倍”为什么能让计算量基本不变?

【经典 CNN 演进 核心考点 3】CNN 设计中“分辨率减半、通道翻倍”为什么能让计算量基本不变?。技术解析：定义: CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 2l+1), 参数从 25C^2 降为 2 \times 9C^2, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/cnn-architectures

Q: VGG 与 ResNet 对比: 深度、参数量、训练难度、精度表现有什么差异?

【经典 CNN 演进 核心考点 4】VGG 与 ResNet 对比: 深度、参数量、训练难度、精度表现有什么差异?。技术解析：定义: CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 2l+1), 参数从 25C^2 降为 2 \times 9C^2, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/cnn-architectures

Q: 为什么深度对 CNN 精度重要? 单纯增加深度的瓶颈是什么(退化问题)?

【经典 CNN 演进 核心考点 5】为什么深度对 CNN 精度重要? 单纯增加深度的瓶颈是什么(退化问题)?。技术解析：定义: CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 2l+1), 参数从 25C^2 降为 2 \times 9C^2, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), ... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/cnn-architectures

Classic CNN Architectures

🎯核心定义

CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推

2l+1

), 参数从

25C^2

降为

2 \times 9C^2

, 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), 保持单层 FLOPs 量级不变; ④ DenseNet 将“学新特征”改为“拼接复用旧特征”, 参数量进一步压缩且梯度更顺。

💡使用场景

面试考古必问——“VGG 为什么全用 3×3”“ResNet 解决什么问题”“DenseNet 和 ResNet 的区别”; 同时也是迁移学习的默认预训练骨干(特征提取/微调)。

⚡解决的核心痛点

从浅层走向极深层的规模化问题: 单纯加深遭遇退化(VGG 到头), 残差解决退化使 152 层可训, DenseNet 解决特征利用效率, 最终把 ImageNet top-5 错误率从 VGG 的 ~7.3% 压到 ResNet-152 的 ~4.6%, 且参数/算力保持工程可控。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【经典 CNN 演进】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【经典 CNN 演进】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

为什么用两个 3×3 堆叠替代一个 5×5 卷积? 感受野、参数量、计算量分别对比。

简述 LeNet→VGG→ResNet→DenseNet 的演进, 每一代解决了上一代的什么问题?

CNN 设计中“分辨率减半、通道翻倍”为什么能让计算量基本不变?

VGG 与 ResNet 对比: 深度、参数量、训练难度、精度表现有什么差异?

为什么深度对 CNN 精度重要? 单纯增加深度的瓶颈是什么(退化问题)?

📖 关联深度指南:📄 cnn-and-vit-architectures →

更新于 2026-08-12

🎯

检验攻克程度：针对「经典 CNN 演进」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点感受野与 FLOPs 计算下一个知识点 →ResNet 残差连接

经典 CNN 演进

🔗 更多 深度学习 知识点卡片

🔗 更多深度学习知识点卡片