你有 ImageNet 预训练的 ResNet-50，新任务是 8000 张、8 类的工业零件缺陷图，输入分辨率 512×512，单卡 24G 显存。预训练域（自然图像）和新域有明显差距。请给出你的微调方案：冻结哪些层、BN 层怎么处理、各层学习率怎么设、什么时候停止训练。每一条都要给理由。
面试官在考什么
有没有真正在小数据 + 域差异场景下踩过坑：分层冻结、BN running stats 的处理、head 与 backbone 的学习率分离。
回答框架 · 前两步
- 分阶段解冻：先冻结整个 backbone 只训新的分类头（head 随机初始化，此时不能给 backbone 大梯度），再解冻 layer4（可选 layer3），数据量大且域差异大时再全量微调
- head 与 backbone 用不同学习率：head 用 1e-3 量级，backbone 用 1e-5~1e-4 量级（差 1~2 个数量级），避免随机初始化的 head 在初期把预训练特征冲掉
还有 3 条答案要点、 3 层追问、 5 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？