深度学习面试必会：CNN、RNN、优化器与训练技巧

深度学习面试在机器学习基础之上，更考网络结构和训练工程的理解。核心考点分四块。

一、网络结构

卷积：参数量怎么算、1x1 卷积的作用、感受野计算；ResNet 残差连接为什么能训深网络（梯度高速公路）——必考。

归一化：BN 的原理和训练/推理的区别、为什么 Transformer 用 LN 不用 BN。

RNN/LSTM：梯度消失的成因、门控机制各管什么。现在考得少了，但"为什么 Transformer 取代 RNN"要会答。

二、优化器

SGD → Momentum → Adam 一路演进，重点答 Adam 的两个动量各是什么、为什么有时泛化不如 SGD。追问：学习率 warmup 的作用。

三、训练问题

• 梯度消失/爆炸：成因 + 对策清单（归一化、残差、梯度裁剪、初始化）；
• 初始化：Xavier 与 He 初始化分别配什么激活函数；
• 调参实操："loss 不降你怎么办"——按数据 → 学习率 → 梯度检查的顺序答，体现 debug 能力。

四、开放题

"给你 100 万张图做分类，流程怎么设计"——考全链路：数据清洗 → 基线模型 → 预训练微调 → 评估迭代。有实习/项目经历的，用真实经验答最加分。

备考建议

公式类考点（卷积参数量、注意力公式）必须能手推，看懂和会推是两回事。不会推的截图问 AI 拿逐步推导，自己纸上重推一遍。考点清单逐题过的工作流见刷题方法。