卷积神经网络（Convolutional Neural Network），是深度学习里专门处理图像、视频、语音等 “网格型数据”的神经网络。
# 背景：MLP 不适用于图像处理
假设你有一张 28×28 的黑白手写数字图片，如 MNIST 数据集。
# 1️⃣ MLP 的做法：拉平
图片 (28×28) → 拉成向量 (784 个数字) → 输入全连接层问题：
- 丢失空间信息：像素之间的上下左右关系没了。
- 参数爆炸：如果图片是 224×224×3 (RGB)，输入就是 150,528 维。第一层如果有 1000 个神经元，光权重就有 1.5 亿个，显存直接爆掉。
- 无法识别位置变化：猫在左上角和右下角，MLP 可能认为是两种东西。
# 2️⃣ CNN 的做法：保留结构
图片 (28×28×1) → 卷积层提取特征 → 池化层缩小 → 分类优势：
- 保留空间结构：知道相邻像素的关系。
- 参数共享：同一个滤波器扫描整张图，参数极少。
- 平移不变性：猫在左边还是右边，都能认出来。
# CNN 的核心组件（三大件）
CNN 主要由三种层交替堆叠而成：
输入 → [卷积层] → [激活函数] → [池化层] → ... → [全连接层] → 输出
(提取特征) (非线性) (缩小尺寸) (分类)# 1️⃣ 卷积层（Convolutional Layer）⭐ 核心
作用：提取特征（边缘、纹理、形状）。
工作原理：用一个卷积核（Filter/Kernel）在图片上滑动扫描。
术语
含义
作用
卷积核（滤波器）
一个小矩阵（如 3×3）
用来提取特定特征（如竖线、横线）
填充 (Padding)
在图片周围补 0
保持输出尺寸不变，保留边缘信息
步幅 (Stride)
每次滑动几格
步长越大，输出越小
通道 (Channel)
彩色图有 3 通道 (RGB)
卷积核也有深度，对应输入通道
直观理解
1. 不同的
卷积核就像不同的"滤镜"，有的专门找边缘，有的专门找圆形。
2. 有时将卷积层的输入输出数据称为特征图（feature map）。其中，卷积层的输入数据称为输入特征图（input feature map），输出数据称为输出特征图（output feature map）
卷积：乘积累加求和
填充 Padding：向输入数据的周围填入固定数据
步幅 Stride：指定卷积核的间隔
通道 Channel：各层(通道)卷积结果之和
# 2️⃣ 池化层（Pooling Layer）
作用：缩小尺寸，减少计算量，保留主要特征。
特点：① 没有要学习的参数(只是提取出值)；② 通道数不发生变化
常见类型：
类型
做法
比喻
最大池化 (Max Pooling)
取区域内最大值
"只保留最显著的特征" ⭐ 最常用
平均池化 (Average Pooling)
取区域内平均值
"保留整体背景信息"
💡 为什么池化？
图片太大，计算太慢。池化就像把高清大图变成缩略图，猫还是猫，但像素少了很多。
# 3️⃣ 全连接层（Fully Connected Layer）
作用：最后进行分类。
位置：通常在 CNN 的末尾。
- 前面卷积 + 池化已经把图片变成了高级特征向量。
- 全连接层把这些特征整合起来，输出"这是猫"还是"这是狗"。
卷积提取的特征 → 全连接层 → 概率输出
[0.9, 0.1...] (MLP) [猫：90%, 狗：10%]# 经典 CNN 架构流程
输入图片 (32×32×3)
↓
[卷积层 1] → 提取边缘 → (32×32×32)
↓
[池化层 1] → 缩小一半 → (16×16×32)
↓
[卷积层 2] → 提取纹理 → (16×16×64)
↓
[池化层 2] → 缩小一半 → (8×8×64)
↓
[卷积层 3] → 提取形状 → (8×8×128)
↓
[展平 Flatten] → 变成向量 → (1024)
↓
[全连接层] → 分类 → (10 类)
↓
输出 (Softmax)📌 规律：
1. 越往后，
图片尺寸越小，通道数（特征数量）越多。
2. 前面学简单特征（边、角），后面学复杂特征（眼睛、耳朵）。
# CNN 中的正则化与 BN
组件
常见位置
备注
BatchNorm
卷积层之后，激活函数之前
Conv → BN → ReLU ⭐ 标准配置
Dropout
全连接层之前
卷积层通常不用 Dropout（用 BN 代替）
L2 正则
优化器中
weight_decay 全局生效
数据增强
数据加载时
旋转、裁剪对 CNN 特别有效
# 代码实例（PyTorch）
import torch.nn as nn
import torch.nn.functional as F
class SimpleCNN(nn.Module):
def __init__(self):
super().__init__()
# 1. 卷积层 (输入 1 通道，输出 32 通道，卷积核 3x3)
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)
self.bn1 = nn.BatchNorm2d(32) # 批归一化
# 2. 卷积层 (输入 32 通道，输出 64 通道)
self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
self.bn2 = nn.BatchNorm2d(64)
# 3. 池化层 (2x2 最大池化)
self.pool = nn.MaxPool2d(2, 2)
# 4. 全连接层 (展平后 64*14*14 → 128 → 10)
self.fc1 = nn.Linear(64 * 14 * 14, 128)
self.dropout = nn.Dropout(0.5) # 全连接层前用 Dropout
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
# 卷积块 1
x = self.conv1(x)
x = self.bn1(x)
x = F.relu(x)
x = self.pool(x) # 尺寸减半
# 卷积块 2
x = self.conv2(x)
x = self.bn2(x)
x = F.relu(x)
x = self.pool(x) # 尺寸再减半
# 展平
x = x.view(-1, 64 * 14 * 14)
# 全连接
x = self.dropout(x)
x = self.fc1(x)
x = F.relu(x)
x = self.fc2(x)
return x# CNN 的进阶架构
随着深度学习发展，CNN 也在进化：
架构
年份
核心创新
地位
LeNet-5
1998
最早的 CNN
祖师爷
AlexNet
2012
ReLU + Dropout + GPU
深度学习爆发起点
VGG
2014
用小卷积核堆叠
结构规整，常用 backbone
ResNet
2015
残差连接 (跳过层)
解决了梯度消失，可训练上百层 ⭐
EfficientNet
2019
复合缩放
效率最高
💡 现在工业界最常用：ResNet 系列（如 ResNet18, ResNet50）
参考书籍：斋藤康毅.深度学习入门：基于 Python 的理论与实现 [M]. 陆宇杰，译.北京：人民邮电出版社，2018. ISBN 978-7-115-48558-8.
