目录

一、CNN 到底是干什么的？

二、为什么要花时间梳理它的进化史？

三、CNN 的通用零件

1. 卷积层：把视觉特征翻译成数字

2. 激活函数：过滤没用信息

3. 池化层：压缩图片尺寸，保留最强特征

4. 全连接层：把所有数字汇总，做最终判断

5. Softmax：把分数转成直观的概率

四、核心术语

---

一、CNN 到底是干什么的？

CNN（Convolutional Neural Network），全称卷积神经网络，你可以把它理解成 AI 的「眼睛」—— 专门用来让计算机可以看懂图片、视频里的内容。

你每天接触的很多功能，背后都是它在工作：

• 手机人脸解锁、相册自动按人物分类

• 拍照搜题、识花、识物

• 自动驾驶里识别红绿灯、行人、车道线

• 短视频的特效贴纸、智能剪辑

• 安检机自动识别违禁品、医疗影像辅助筛查

它不是某一个具体的软件，而是一类视觉 AI 的基础骨架。现在几乎所有和图像、视频相关的人工智能，底层都用到了 CNN 的技术。

二、为什么要花时间梳理它的进化史？

很多人刚开始学深度学习，都会一头扎进「背模型名字、背层数、背参数量」的误区，背了一堆 LeNet、VGG、ResNet，合在一起就乱成一锅粥，始终搞不懂：为什么模型要设计成这个样子？

我刚刚接触时也是这样的，直到顺着时间线捋下来才发现：这些模型根本不是凭空设计的 —— 每一个新模型的出现，都是为了解决上一代模型的某个痛点。

• 网络太深训不动？那就发明残差连接

• 模型太大手机跑不动？那就做轻量化卷积

• 单尺寸卷积看不全？那就做多分支多尺度

整个 CNN 的进化史，本质上就是一部「遇到问题 → 解决问题」的创新史。

这个系列要做的，就是顺着时间线，从最基础的概念讲起，一个模型一个台阶，把每个设计的前因后果讲透。 不用死记硬背，看完你不仅能分清每个模型，更能看懂背后的设计逻辑 —— 再遇到新的模型，也能自己判断它是在解决什么问题。

三、CNN 的通用零件

在讲具体模型之前，我们先了解一下所有 CNN 都通用的 5 块「积木」。后面所有复杂的模型，本质上都是这几块「积木」的不同拼法。

1. 卷积层：把视觉特征翻译成数字

• 输入：一张由像素组成的图片，每个像素都是 0~255 的数字（比如彩色图有红、绿、蓝三层像素数字）。
• 做了什么：用一个带权重的小数字窗口（卷积核），在图片上一格一格滑动，每滑到一个位置，就把窗口里的像素数字和权重对应相乘、再相加，得到一个新的数字。
• 输出：一张新的 “数字图”（特征图），每个位置的数字，代表原图对应区域符合某类特征的强度。
• 为什么要这么做：计算机看不懂 “这是一条竖线”“这是圆形”，但它能算数字。卷积层就是把 “边缘、纹理、色块” 这些视觉特征，转换成它能计算的数值。
• 通俗类比：就像阅卷老师按采分点逐题打分，把一整张写满字的卷子，转换成一题一题的分数。

2. 激活函数：过滤没用信息

• 输入：卷积层算出来的一串数字。
• 做了什么：对每个数字做一次非线性变换，最常用的 ReLU 函数，就是很简单的一条规则：负数一律变成 0，正数原样保留。激活完全不改变形状，只修改里面每个像素的值。
• 输出：筛选后的数字。
• 为什么要这么做：没找到这个特征的地方直接扔掉，只保留找到特征的信号，就是去掉无效干扰，让网络能学会复杂东西。没有激活，再多层卷积等价等于一层，学不出花样。
• 通俗类比：就像打分设了及格线，特征强度不够的直接清零不算，只保留足够明显的有效特征。

3. 池化层：压缩图片尺寸，保留最强特征

• 输入：卷积输出的大尺寸数字矩阵。
• 做了什么：把图片切成一个个小方块，每个方块里只保留一个数字（比如取最大的那个，或取平均值）。压缩图片尺寸，保留最强特征。
• 输出：尺寸更小的数字矩阵。
• 为什么要这么做：一是压缩数据量，越往后计算量越小，跑得更快；二是保留最关键的特征，让模型对 “物体稍微挪一点位置” 不敏感，识别更稳。
• 通俗类比：就像把每道大题里的小分合并成大题得分，卷子变薄了，关键的得分信息还在。

4. 全连接层：把所有数字汇总，做最终判断

• 输入：前面所有层提取、压缩完的特征数字，展平成一长串数字。
• 做了什么：给每个特征数字分配一个权重，加权求和，最后算出每个类别的原始得分。
• 输出：每个类别的原始分数。
• 为什么要这么做：前面卷积、池化都是在提取局部特征，全连接层把所有分散的特征汇总到一起，综合判断这张图到底属于哪一类。
• 通俗类比：就像最后把所有题的分数加总，算出总分，给出最终成绩。

5. Softmax：把分数转成直观的概率

• 输入：全连接层输出的原始得分（可正可负，可大可小）。
• 做了什么：通过数学变换，把所有得分转换成 0~1 之间的概率值，并且所有类别的概率加起来等于 1。
• 输出：每个类别的置信度概率。
• 为什么要这么做：原始分数量级不固定，人看不懂；转换成概率之后，可以直观地知道 “模型判定这张图时有多大把握是猫、多大把握是狗”。
• 通俗类比：就像把总分转换成排名百分比，一眼就能看出在哪个档次。

注：这里如果没有理解没关系，后面还会再详细说明。

模型训练的完整流程如下：

图片转成像素数字 → 一层层卷积 + 激活 + 池化，逐步提炼成特征数字 → 全连接层汇总算出每个类别的分数 → 和真实答案对比，算出误差有多大（损失函数）→ 把误差从后往前传，一层层调整每个权重数字（梯度）→ 再跑一个 epoch，误差更小一点

训练本质上就是在反复调整 “每一层的数字权重”，让最后算出来的结果越来越准。

所有的模型创新，本质上都在围绕三件事做权衡：

• 效果：识别准不准

• 速度：跑的快不快

• 参数量：模型大不大、占不占内存

四、核心术语

术语	专业解释	通俗解释
张量（Tensor）	深度学习多维数据存储结构，承载图像、特征、参数等所有数据。	PyTorch 存图片、存特征、存权重的统一容器。
通道（Channel）	张量在通道维上的分量；彩色图默认 RGB 3 通道。网络中某层的通道数 = 该层卷积核的个数，每个通道对应一种特征响应。	体检报告的不同项目：CT、彩超、验血各是一个通道，合起来才能判断病情。网络越深通道越多 = 观察角度越多。
损失函数（Loss）	量化模型输出与真实标签差距的标量函数，训练的全部目标就是让它变小；分类任务用交叉熵。	估分和实际得分的差距：差距越大，估得越离谱。
梯度（Gradient）	损失函数对每个参数的偏导数，指出每个参数该往哪调、调多少；训练沿负梯度方向更新。	错题本：告诉你哪错了、错多少、下次往哪个方向改。
反向传播（Backpropagation）	根据损失梯度从后往前更新网络参数的过程。	算出模型错在哪，反向修改权重，让模型下次更准。
学习率（Learning Rate）	单次参数更新的步幅大小。	每次改权重改多大。太大不稳、太小太慢。
过拟合	训练误差低但泛化误差高（模型记住了噪声）。	只背了原题答案，换数字就错。
欠拟合	连训练误差都降不下去（容量或训练不足）	书都没翻完就上考场。

注：更多专业术语，可以看CNN全套专业术语手册