大家的AI
机器学习AI论文
加载中…

学习

🏅我的成就

Ch.14

CNN 完全攻略：从卷积核、步幅、填充到骨干演进

Ch.12

基础卷积 → 现代骨干

从左到右：卷积、池化与残差逐层堆叠。

卷积核扫过图像得到特征，池化摘要，再进入分类。深层块中 残差 F(x) 与 跳跃 x 相加得输出。

输入卷积池化全连接输出
基础 CNN（卷积神经网络）是让 AI 理解图像的最伟大发明之一。本章细讲 CNN 的核心——卷积核如何扫过图像、步幅如何决定移动间距、填充如何在边缘补零。
你会看到：这些基础积木如何拼成 ResNet（让深层仍稳定训练），又如何演进到 ConvNeXt 等现代巨型骨干，从入门到进阶一次掌握。

如何读公式（卷积核、步幅、填充）

1. 输出边长
O=I−K+2PS+1O = \frac{I - K + 2P}{S} + 1O=SI−K+2P​+1
2. 步幅与填充
步幅越大重叠越少，特征图缩小更快；填充缓解边缘欠采样。
3. 标准卷积参数（含偏置）
(K×K×Cin+1)×Cout(K \times K \times C_{in} + 1) \times C_{out}(K×K×Cin​+1)×Cout​
4. 残差与现代骨干
如 y=F(x)+xy=F(x)+xy=F(x)+x 的跳跃有助于训练极深网络，并通向 ResNet、ConvNeXt 等。

现代 CNN：从卷积基础到 ResNet

1. 卷积核 / 滤波器：找特征的放大镜印章
概念： 卷积核通常是 3×33\times33×3 或 5×55\times55×5 的数字小瓦片（矩阵）。它在原图上滑动，在重叠位置把像素对应相乘再全部相加（卷积），从而计算“这里有没有横线”“颜色是否急剧变化形成边界”。
直觉： 像玩《威利在哪里》——不要一眼扫全图，而是用小放大镜一块块看。放大镜（卷积核）若和要找的图案（例如红条纹）很吻合，就会像盖章一样打出“在这儿！”的高激活值。
2. 步幅与填充：步长与安全软垫
步幅： 放大镜（卷积核）一次移动几像素，即步长。为 1 则密；为 2 则跳格。步幅越大，同样大小的输入被更快扫完，单步计算相对更轻，但特征图的高宽也更快变小。
填充： 反复卷积时，边缘像素比中心重叠次数少，边缘信息相对更弱；不填充则分辨率还会一直被吃掉。因此在四周补 0（零填充） 当软垫，保持尺寸，也让边缘能被“公平地盖到章”。
3. 池化：只留精华的摘要
概念： 从卷积得到的大量响应里，主要保留最突出的值，大幅缩小空间尺寸。通常用窗口内最大值——最大池化（有时也用平均池化）。
直觉： 像嘈杂会议室里多人同时发言：忽略细碎闲聊（背景、弱响应），只把最大、最清晰的那一声（强特征）记进纪要。数据量少了，做判断仍够用的核心信号还在。
4. 通道与三维卷积：层层叠叠的酥皮
概念： 灰度图 1 个通道；彩色图是 R、G、B 三层薄膜叠成的 3 通道数据。因此卷积核不是一张平面，而是与输入通道等深的 3D 块，在同一位置一次性看全通道。网络越深，高宽往往越小，而表示不同模式的滤波器（输出通道）会像 64、128、256… 层层叠叠的酥皮一样变厚。

重要性

参数共享（效率最大化）
若像全连接那样每个像素各有一套权重，分辨率稍涨，参数就会爆炸。CNN 则在全空间复用同一套卷积核（放大镜）——好比打扫大房间时，不是每块地砖雇一名清洁工，而是一个人一把扫帚扫全屋。于是可训练参数与 FLOPs 一起下降，智能手机、实时监控摄像头等资源紧张场景也能跑视觉模型。
平移鲁棒性
狗在正中央端端正正坐着，还是挤在左下角，CNN 都在找同一套“狗”线索。它不是死记坐标，而是让卷积核扫遍整幅图找模式。加上池化后，像素略有抖动、错位时，响应更容易被整理成稳健输出，接近实务里说的稳健物体识别。（仍不等于对旋转、尺度完全不变。）
层次化特征（从局部到整体）
浅层抓线、角、粗糙纹理等简单线索，深层把它们连成圆与轮廓，再拼出狗眼、车轮等物体部件。直觉上像用小积木搭大造型。同一骨干便于从分类扩到检测（边界框）、分割，也与人类视觉皮层的分层处理相呼应。
视觉生态的共同语言与必备素养
在 PyTorch、TensorFlow 里，`Conv2d` 是随手就用的基础模块。即便 ViT（第 05 章） 等 Transformer 很火，把图像先切碎或抽局部特征时，卷积仍会出现在 stem、混合结构里。ImageNet 预训练权重常是论文与产品的起点。掌握“图像如何变成数”的 CNN 语法，才能阅读、修改、按项目改造开源代码与最新论文。

如何使用

第 1 步：特征提取 — 澄清浑水
图像依次通过 [卷积（找特征）→\rightarrow→ 激活（如 ReLU，去掉负值）→\rightarrow→ （可选）批归一化 →\rightarrow→ 池化（摘要）] 组成的传送带，重复多遍。靠前层像滤粗沙（简单边缘与颜色），靠后层滤掉更细噪声，只留更抽象的形状。背景杂音被压下去，留下标明何种关键特征在何处最强的特征图。
第 2 步：展平 — 把积木排成一行
卷积结束后，把通道×高×宽的 3D 特征图 摊成每张图一条长向量，像把复杂 3D 积木拆开、在地上排成一长条。批次维 NNN（一次喂几张）保持不变，只把单张图的空间与通道维串起来，方便后面全连接层打出各类分数。
第 3 步：全连接 — 法官的终局判决
向量送入 Dense（全连接） 层，为每类输出 logit；多分类时常用 softmax 变概率，训练配交叉熵。“这张照片有 95% 概率是猫”只是把本步输出用人话包了一层。
第 4 步：迁移学习与微调
实务中很少从零训练上百层 CNN。更常见是加载用数百万张图训好的 ResNet、EfficientNet 等预训练骨干（优质骨架）。数据少时冻结骨干，只按任务换掉分类头（法官）再训；输入尺寸（如 224×224224 \times 224224×224）和 RGB 归一化（如 ImageNet 均值/标准差）必须与预训练流水线一致。数据多时解冻上层块做微调。ViT / 混合流程里，“卷积抽局部结构”的直觉依然成立。

总结

一句话： CNN 用卷积核找特征，用步幅移动，用填充护边，用池化做摘要。
衔接： 这些基础块演化为 ResNet 的残差连接与 ConvNeXt 等强现代 CNN。
实务： 最常见报错是形状不匹配；用输出尺寸公式逐层追踪高、宽与通道，习惯养成后写代码会轻松很多。

解题提示

CNN 题的核心通常是输出特征图尺寸与参数量。把这两类公式练熟，再复杂的现代结构也能拆着看。
关键公式 1：输出边长
输入边长 III，核 KKK，填充 PPP，步幅 SSS，输出边长 OOO 为
O=I−K+2PS+1O = \frac{I - K + 2P}{S} + 1O=SI−K+2P​+1
例： 32×3232\times3232×32，3×33\times33×3 核，P=1P=1P=1，S=1S=1S=1，得 O=32O=32O=32，尺寸因填充而保持。
关键公式 2：参数量（含偏置）
对 K×KK\times KK×K 核，输入通道 CinC_{in}Cin​，输出通道 CoutC_{out}Cout​，每个输出通道 1 个偏置：
(K×K×Cin+1)×Cout(K \times K \times C_{in} + 1) \times C_{out}(K×K×Cin​+1)×Cout​
例： 3×33\times33×3，Cin=3C_{in}=3Cin​=3（RGB），Cout=16C_{out}=16Cout​=16 → (27+1)×16=448(27+1)\times16=448(27+1)×16=448。
概念练习
“使用填充的主要目的最接近？
① 单纯增加运算
② 减轻边缘信息损失并控制尺寸
③ 改颜色空间” → 答案 2
概念练习 2
“步幅从 1 提到 2，特征图宽高大致如何变？” → 跨度变大，约减半。