你要为一个新业务选 backbone：训练数据 20 万张有标注图，单次训练算力预算约 24 卡时，推理必须落在 4 核 ARM CPU 上（无 NPU），单帧延迟预算 60ms。候选是 ResNet-50、MobileNetV3-Large、EfficientNet-B0、ConvNeXt-T。请给出你的完整决策链，并说明你最看重的两个判据是什么、为什么是它们。
面试官在考什么
能否把架构演进的知识转化成「约束过滤 → 候选收敛 → 实测决策」的工程流程，而不是用 ImageNet 精度或 FLOPs 直接拍板。
回答框架 · 前两步
- 先做约束过滤：部署端是 4 核 ARM 无 NPU、60ms，必须以 CPU 上的实测延迟为准，FLOPs 不能作为延迟代理——深度可分离卷积、SE 类结构、非常规激活在 ARM 上常常利用率低，FLOPs 低不等于快。
- 训练预算 24 卡时是硬约束：ConvNeXt 一类架构依赖长周期训练配方与强增广，在该预算内很难训到位，因此「候选是否能在预算内收敛」本身就是筛选条件之一。
还有 3 条答案要点、 3 层追问、 4 个常见坑， 以及针对你简历的追问路径，在定制报告里。
延伸阅读
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。
- 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。
- 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？