深度学习核心原理（7 题）
本部分聚焦于深度学习模型的核心原理、架构细节及训练技巧，是算法工程师面试中的重中之重。
1. CNN 中的卷积核是做什么的？1x1 卷积的作用是什么？
卷积核的作用：
- 特征提取器：卷积核是一个可学习的权重矩阵，通过在输入数据（如图像）上滑动，计算局部区域的加权和，从而提取特定模式的特征（如边缘、纹理、形状）。
- 参数共享：同一个卷积核在整个输入上共享参数，极大地减少了模型参数量，并赋予了模型平移不变性。
- 构建特征层次：浅层卷积核提取低级特征（边缘、角点），深层卷积核组合低级特征形成高级语义特征（物体部件、整体）。
1x1 卷积的作用：
- 跨通道信息整合（通道变换）：在不改变空间尺寸（H, W）的情况下，改变特征图的通道数（C）。常用于调整网络宽度，实现升维或降维。
- 引入非线性：1x1 卷积后通常会接激活函数（如 ReLU），为网络增加非线性表达能力。
- 降低计算复杂度：在 Inception 网络和瓶颈结构（Bottleneck）中，先用 1x1 卷积降维，再进行 3x3 或 5x5 卷积，大幅减少计算量（FLOPs）。
- 替代全连接层：在全局平均池化后使用 1x1 卷积，可以起到类似全连接层的作
