当前位置：首页 > news >正文

深度学习：卷积神经网络（CNN）

news 2025/8/27 19:13:58

文章目录

一、CNN 基础认知
- 1.1 图像在计算机中的存储形式
- 1.2 图像识别的核心需求：画面不变性
- 1.3 传统神经网络的局限
二、CNN 核心原理：三大核心层与关键操作
- 2.1 卷积层
- - （1）什么是卷积操作？
  - （2）卷积层的关键参数
  - （3）输出特征图尺寸计算
- 2.2 池化层
- - （1）池化层的操作逻辑
  - （2）常见池化方式
  - （3）最大池化的优势
- 2.3 全连接层
- - （1）全连接层的工作流程
  - （2）全连接层的作用
三、CNN 的网络结构与经典模型
- 3.1 CNN 的典型架构
- 3.2 经典 CNN 模型
四、总结：CNN 的核心优势与应用场景

在深度学习领域，卷积神经网络（CNN）在图像识别、计算机视觉等任务中应用广泛，主要因为它能高效提取图像特征。下面就从基础原理、核心结构和实践要点三个方面，结合图示，把 CNN 的相关知识讲清楚。

一、CNN 基础认知

要懂 CNN，先得知道计算机是怎么处理图像的 —— 图像在计算机里其实就是按顺序排列的数字矩阵。

1.1 图像在计算机中的存储形式

灰度图：黑白灰度图用二维矩阵表示，每个元素的数值在 0 到 255 之间，0 是最暗，255 是最亮，矩阵的行和列分别对应图像的高度和宽度。
RGB 彩色图：彩色图常用 RGB 三原色模型，存储为三维张量（宽 × 高 × 深），其中 “深” 指 3 个通道，分别是红（R）、绿（G）、蓝（B）通道，每个通道都是独立的二维矩阵，三个通道的数值组合起来就形成了各种颜色。

1.2 图像识别的核心需求：画面不变性

CNN 设计的一个重要目标是满足图像不变性，也就是说，不管物体在图像里的位置、角度、大小怎么变，或者光照条件不同，都能准确识别出来。具体有四种不变性需求：

平移不变性：物体在画面左边或右边，都能认出是同一个物体；
旋转 / 视角不变性：物体转了方向，或者从不同角度拍，识别结果不受影响；
尺寸不变性：物体放大或缩小后，依然能正确分类；
光照不变性：在不同光照下，物体的特征不会被干扰。

1.3 传统神经网络的局限

传统神经网络处理图像时，要把二维矩阵改成一维向量才能输入，这样会丢失图像的空间结构信息。比如数字 “0-9” 和字母 “a-f”，只要位置不一样，改成一维向量后就完全不同，传统网络就认不出来了。只能靠大量数据训练，再增加隐藏层来优化，效率很低。
在这里插入图片描述

二、CNN 核心原理：三大核心层与关键操作

CNN 的优势来自它特殊的分层结构，主要包括卷积层、池化层、全连接层，每层有明确的作用，一起完成特征提取和分类。

2.1 卷积层

卷积层是 CNN 的核心，通过卷积操作提取图像的局部特征，比如边缘、纹理、颜色块这些。

（1）什么是卷积操作？

卷积就是拿图像局部窗口的数，和卷积核（Filter）做内积 —— 也就是对应元素相乘再相加。卷积核是一组固定权重的小矩阵，就像 “特征探测器”，不同的卷积核能提取不同的特征，比如检测边缘、让图像变模糊等。
在这里插入图片描述

把卷积核的中心对准输入图像的某个像素，然后把这个像素和周围像素的数值，跟卷积核的权重分别相乘，再把结果加起来，就是输出的像素值；
举个例子：输入图像某区域的像素是 [1,2;0,1]，卷积核是 [0,1;-4,2]，那输出像素值就是（1×0）+（2×1）+（0×-4）+（1×2）=4。

（2）卷积层的关键参数

卷积操作的输出结果，受三个核心参数影响，我们用 7×7×3 的输入和 3×3×3 的卷积核来举例说明：
在这里插入图片描述

步长（Stride）：指卷积核每次在图像上滑动的像素数。步长是 1，就每次移 1 个像素；步长是 2，就每次移 2 个像素，步长越大，输出的特征图尺寸越小。
卷积核个数：决定输出特征图的 “深度（Depth）”。比如用 2 个卷积核，输出的特征图就有 2 个通道，对应 2 种不同的特征。
填充（Zero-Padding）：为了不让图像边缘的特征丢失，也为了让图像尺寸能被步长整除，会在图像边缘补几圈 0。比如 7×7 的图像，补 1 圈 0 后变成 9×9，这样步长为 2 时，卷积核就能完整滑动。

（3）输出特征图尺寸计算

卷积层输出尺寸有固定公式：

长度： $H2=H1−FH+2PS+1H_2 = \frac{H_1 - F_H + 2P}{S} + 1$
宽度： $W2=W1−FW+2PS+1W_2 = \frac{W_1 - F_W + 2P}{S} + 1$

其中， $H_1$ 和 $W_1$ 是输入图像的长度和宽度， $F_H$ 和 $F_W$ 是卷积核的长度和宽度， $P$ 是填充数， $S$ 是步长。

示例：输入 32×32×3 的图像，用 10 个 5×5×3 的卷积核，步长 1，填充 2，按照公式计算，输出的长度和宽度都是 $32−5+2×21+1=32\frac{32-5+2×2}{1}+1=32$ ，所以最终输出 32×32×10 的特征图。

2.2 池化层

池化层一般在卷积层后面，主要作用是降采样 —— 减少数据量和计算量，同时能控制过拟合，让模型对物体的位置变化更不敏感。

（1）池化层的操作逻辑

池化层和卷积层类似，也是用 “池化窗口” 在特征图上滑动，但没有可学习的参数，只按固定规则计算输出。以 2×2 的最大池化为例：
在这里插入图片描述

池化窗口按设定的步长滑动，对每个窗口里的像素计算输出值；
比如 2×2 最大池化，就是取窗口里的最大值作为输出，像窗口 [1,2;6,8]，输出就是 8。

（2）常见池化方式

主流的池化方式有三种：

最大池化（Max Pooling）：取窗口内的最大值，能保留关键特征，比如边缘的强度，用得最多；
平均池化（Average Pooling）：取窗口内的平均值，能保留图像整体的灰度信息；
全局平均池化 / 全局最大池化：把整个特征图当一个池化窗口，计算平均值或最大值，直接输出一维向量，常用来代替全连接层以减少参数（可分别插入这几种池化方式在图像上操作的对比图）。

（3）最大池化的优势

用 3×3 最大池化的例子来说明：最大池化能把特征图 “压缩”，但不会影响识别结果。因为卷积后的特征图有冗余信息，最大池化能保留最关键的特征信号，还能降低过拟合的风险。

2.3 全连接层

等卷积层和池化层提取到足够的特征后，就轮到全连接层发挥作用了 —— 它把这些特征映射到类别空间，完成最终的分类。

（1）全连接层的工作流程

全连接层的工作逻辑分两步：
在这里插入图片描述

特征摊平（Flatten）：把卷积层、池化层输出的多维特征图，比如 32×32×10 的，改成一维向量，这个向量的长度就是 32×32×10=10240；
线性映射：把一维向量输入全连接层，层里每个神经元都和前一层所有神经元相连，通过权重计算，把特征映射到类别对应的维度。比如做 10 分类任务，就输出 10 个神经元，分别对应 0-9 这 10 个类别的概率。

（2）全连接层的作用

全连接层就像 “分类器”，通过学习权重参数，把边缘、纹理这些低级特征，整合变成物体形状、结构这类高级特征，最后输出每个类别的概率。比如识别手写数字时，哪个神经元输出的概率最大，模型就认为输入的图像是对应的数字。

三、CNN 的网络结构与经典模型

3.1 CNN 的典型架构

一个完整的 CNN，结构通常是 “输入层→卷积层→激活层→池化层→（重复卷积 - 激活 - 池化）→全连接层→输出层”。
在这里插入图片描述

浅层：通过卷积层提取边缘、颜色这些低级特征；
中层：反复用卷积层和池化层，把低级特征组合成纹理、局部形状等中级特征；
深层：全连接层整合高级特征，输出分类结果。

3.2 经典 CNN 模型

有 6 种经典的 CNN 模型，能看出技术的发展过程：

模型名称	核心特点	应用价值
LeNet	第一个成功应用的 CNN，结构是卷积 - 池化 - 全连接	手写数字识别
AlexNet	网络更深更大，用了 ReLU 激活函数和 GPU 加速	实现 ImageNet 图像分类的突破
ZF Net	缩小了第一层的步长和卷积核尺寸，提高了特征提取精度	优化图像分类精度
GoogLeNet	加入 Inception 模块，减少参数，用全局池化代替全连接	高效融合特征
VGGNet	只用 3×3 的卷积核和 2×2 的池化层堆叠，加深了网络深度	增强特征抽象能力
ResNet	加入残差连接和 Batch Normalization，解决了梯度消失问题	实现 152 层这类超深网络的训练