团队里有人提议把线上检测模型 backbone 中所有 MaxPool 全部换成 stride=2 的 3×3 卷积，理由是「池化丢信息、卷积可学习、精度更高」。模型输入 640×640，backbone 下采样 32 倍，当前在端侧 NPU 上单帧 38ms，业务预算是 33ms（30FPS），INT8 量化部署。作为技术负责人，你会批准、有条件批准还是否决？请给出你的判断依据和决策链。

面试官在考什么

能否把「结构改动的精度叙事」翻译成端侧延迟、算力、量化误差的具体账单，并据此做出可执行的取舍决策，而不是被论文结论牵着走。

卷积/池化

回答框架 · 前两步

1. 先算账再表态：MaxPool 无参数、无卷积 MACs，换成 3×3 s2 卷积会在下采样层（通道数大）引入 9×Cin×Cout 的 MACs，很可能吃掉全部延迟预算；必须先做算子支持与 roofline 分析（NPU 是否对 stride2 3×3 有专门加速、MaxPool 是否已被融合掉）。
2. 区分「信息保留」的真实收益位置：pool 是固定 max 选择，stride conv 是可学习加权，收益主要出现在浅层与小目标上，深层替换收益很小，因此优先替换浅层、保留深层，是收益/代价比最高的路径。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「深度学习基础」方向页

同一能力域的其他题

• 某模块原来是单层 7×7 卷积：输入 56×56×64、输出 56×56×64、stride=1、padding=3。现在候选方案是堆 3 个 3×3 卷积（每层通道都是 64→64、stride=1、padding=1）。请回答：两者的感受野是否相同？参数量之比是多少？FLOPs 之比是多少（按乘法次数算即可）？并说明在什么样的场景下这个替换不划算。
• 在一个移动端实时语义分割任务中，输入 512×512，某阶段特征图为 64×64×128，需要下采样到 32×32×128，同时要尽量保留小目标边界。候选方案：A 3×3 stride=2 conv，padding=1；B 2×2 max pooling stride=2；C 3×3 average pooling stride=2；D 先 1×1 conv 把通道降到 64，再 3×3 stride=2 conv 升回 128。你会选哪种？请给出参数/乘加量级、对边界和小目标的影响，以及部署端算子支持/延迟上的取舍。
• 一段 backbone 按顺序是：conv3×3 stride2 → conv3×3 stride1 → maxpool2×2 stride2 → conv3×3 stride1（全部 same padding，无空洞）。最后一层输出上一个像素，对应到输入图像上的理论感受野是多少像素？请写出从后往前的推导过程。另外，把第三层的 maxpool2×2 stride2 换成 conv3×3 stride2，感受野变成多少？
• 在一个分割模型中，输入 512×512，backbone 前几层依次为：3×3 s1、3×3 s2、3×3 s1、2×2 maxpool s2、3×3 s1。请计算最后一个 3×3 输出特征图位置的理论感受野。若大目标直径约 200 像素，仅继续堆 3×3 s1 卷积需要多少层？你会怎么改结构，在计算量、特征图分辨率和感受野之间取舍？
• 你负责一个 512×512 输入的缺陷分割任务，目标尺寸跨度极大：小的约 8×8 像素，大的约 300×300 像素。当前 backbone 的理论感受野已经超过 900 像素，但小目标召回长期上不去，大目标边缘也发糊。团队中 A 主张「继续加空洞卷积扩大感受野」，B 主张「感受野早就够了，问题在别处」。你如何判断谁对，并给出下一步方案？
• 你复现一个分类网络：20 层 plain CNN（3×3 卷积 + BN + ReLU 堆叠）在 CIFAR-10 上训练误差 2%、测试误差 12%。把深度加到 56 层、其余超参完全不变，训练误差变成 8%、测试误差 14%。请给出你的判断：这是什么问题？接下来你会做什么？请说明为什么你的方案能解决它。