CNN · 卷积网络篇

卷积神经网络（CNN）是深度学习"看得懂图片"的头号功臣。从 2012 年 AlexNet 一战成名，到今天的人脸识别、医疗影像、自动驾驶——凡是"识图"任务，几乎都绕不开 CNN。它的秘诀，是模仿人眼一小块一小块看世界的方式。

卷积核：一块能滑动的小放大镜

CNN 里最关键的零件叫卷积核（Kernel / Filter），通俗理解就是一块很小的"侦探放大镜"——比如 3×3 或 5×5 那么大。这个小放大镜在整张图片上从左到右、从上到下慢慢滑，每滑一步就把当前覆盖的一小块像素做一次加权求和，输出一个数字。
滑完整张图，就得到一张新的"特征图"（feature map）——这张图告诉你："在原图的每一个位置，是不是含有我这块放大镜想找的那种花纹？"
同一块卷积核，走遍整张图——这个"共享"是 CNN 相比全连接网络的一大杀器：全连接每个像素都独立学一套权重，CNN 只用一小组权重扫全图，参数量少上百倍还学得更快。

为什么"局部"就够用

识别一只猫，你不需要知道图片左上角和右下角像素的关系——你只要能识别出"耳朵"、"胡须"、"眼睛"这些局部特征，再判断它们的空间关系就够了。CNN 假设"近的像素之间关系强、远的关系弱"——所以每个卷积核只看一小块局部。
这个假设在图像上惊人地好用，因为图片本身就是"空间局部相关"的：一只眼睛的所有像素通常聚在一小块区域。语言、声音也有类似的"局部相关性"，所以卷积后来也被用到 NLP 和音频。

池化：把细节压缩，让特征稳定

卷积核算完之后，图像通常会加一层池化（Pooling）——最常见的是"最大池化"（Max Pooling），从 2×2 的小窗里挑最大的那个数字留下。池化干两件事：缩小图像尺寸、让识别对位置变化不敏感。
你的猫在图片正中央和往左偏 5 像素，都应该被认成同一只猫——这就是"位置无关性"（平移不变性）。池化通过粗粒化，把"这个位置附近有耳朵"变成"这块区域里有耳朵"，识别就更皮实。

层层堆叠：从边缘到语义的抽象阶梯

• 第 1~2 层学到最基础的"边缘、斑点、颜色变化"——像画素描时先勾轮廓。
• 第 3~5 层开始出现"眼角、耳缘、条纹"这类中级零件——像画肖像时开始勾五官。
• 第 6~10 层拼出"完整的脸、爪子、身体"——像画肖像时把五官组装成整张脸。
• 最后几层直接判断"这是猫 / 狗 / 老虎"的类别概率——像老师看完整幅画后说"这画的是猫"。

CNN 家族的几张里程碑名片

CNN 今天在哪儿？

你解锁手机的人脸识别、微信里的图像搜索、抖音的美颜滤镜、医院的 CT 结节筛查、特斯拉的车道识别、菜鸟的快递面单 OCR……背后几乎都有 CNN 或它的变体在跑。这些年虽然 Transformer 强势入侵图像领域（ViT），但 CNN 依然是"识图"最省算力、最容易部署、工程上最成熟的方案，尤其在手机端、边缘设备上仍是主流。

为什么 CNN 是 2012 年那场革命的主角

ImageNet 是 2010 年代前后计算机视觉界最重要的比赛——一百万张图、一千个类别，让各家算法比拼图像分类准确率。2010、2011 年冠军还在用手工设计特征加 SVM 的老套路，错误率高达 25%。2012 年 Hinton 的学生 Alex Krizhevsky 带着 AlexNet 参赛——一张 8 层的卷积网络，用两块 GTX 580 显卡训练了 6 天——直接把错误率砍到 15.3%，把第二名甩开近 10 个百分点。
这一战让整个学界瞬间清醒：手工特征时代结束了，深度学习时代开始了。之后的 VGG、GoogLeNet、ResNet 每一年都把准确率再刷一遍，2015 年 ResNet 的错误率已经低到 3.57%，第一次超过人类平均水平。可以说，CNN 一手把整个"AI 复兴"这场大戏拉开帷幕。这背后除了算法，还有两个基础条件：ImageNet 这样的大规模标注数据集，以及 GPU 提供的并行算力。

卷积、步长、填充：几个你会一直听到的术语

步长（stride）是"卷积核每次滑多远"——步长 1 表示逐像素移动，特征图和原图差不多大；步长 2 表示跳一格移动，特征图立刻缩小一半。填充（padding）是"要不要在图片边缘补零"——不补零，卷积后图像会一点点缩小；补零就能维持尺寸不变。通道（channel）是"每个像素有几个数字"——彩色图片有 R/G/B 三个通道，卷积核也要相应有 3 个厚度。这些看似繁琐的细节，就是 CNN 工程实现里最日常的调节旋钮，理解它们你才能真正会用 PyTorch 或 TensorFlow 搭出一个 CNN。

ResNet：让"深"这个字终于合法

2012 年 AlexNet 只有 8 层，2014 年 VGG 到了 19 层，人们以为一路堆下去就好——结果 20 层之后训练开始出问题：更深的网络反而误差更高。这不是过拟合（连训练误差都上升）——它是"退化问题"：随着层数增加，梯度消失和优化难度呈指数级上升。
2015 年何恺明团队提出的 ResNet 想出了一个天才的办法——残差连接（skip connection）：每两层的输入直接"抄近道"跳到输出上加起来。这样即使中间层学得再差，网络起码还有一条"直通车"能把信息传下去。加上残差连接的 ResNet 一口气训到 152 层，一举把 ImageNet 错误率打到 3.57%，第一次超过人类。今天 Transformer 里最核心的"残差连接"，就是从 ResNet 借来的——可以说没有 ResNet，就没有 GPT。

目标检测与分割：CNN 的下一步

"识图"其实分几个层次：图像分类只需要说"这是猫还是狗"；目标检测要标出"猫在这个矩形框里"；语义分割要精细到"每个像素是猫还是背景"；实例分割更进一步——"这两只都是猫，但是两只不同的猫"。CNN 的家族分别对应这些任务：YOLO / SSD / Faster-RCNN 做目标检测，U-Net / FCN 做语义分割，Mask R-CNN 做实例分割。
这些技术直接决定了今天你手机相册"按人物分组"、微信里"识别二维码"、抖音里"抠图换背景"、特斯拉自动驾驶"识别车辆行人"这些功能背后的工程实现。CNN 让计算机不但能"认出画面"，还能"知道东西在哪、有多大、是不是同一个"——这才是它真正强大的地方。

CNN 与 ViT：卷积会不会被淘汰

2020 年之后，Transformer 的图像变种 ViT（Vision Transformer） 横空出世，一举把 ImageNet 的最好成绩再往上推——很多人开始担心 CNN 是不是要被淘汰了？其实并没有。
ViT 在数据量足够大（几亿张图以上）时确实更强，但在中小规模数据（几十万张）上，CNN 反而效果更稳、训练更快、部署更省。原因是 CNN 天生带有"平移不变性"、"局部性"这两个先验，等于给了模型一份"物理规律作业"；而 ViT 什么都不假设，全靠数据从零学起——数据不够就学不好。
今天工程里最常见的组合是混合架构：底层用 CNN 提局部特征，高层用 Transformer 做全局理解，各取所长。CNN 没死，它更多是变成了"识图"这道大菜里的关键调料，而不是主菜。手机端跑的模型、边缘设备上的模型、实时视频推理，CNN 依然是首选——因为它算得快、模型小、耗电低。