卷積神經網絡（Convolutional Neural Network，CNN）是深度學習中最重要的模型結構之一，尤其適合處理圖像、視頻等具有空間結構的數據。與普通（MLP）直接把輸入展開為一維向量不同，卷積神經網絡會盡量保留圖像中的局部鄰域關系，通過卷積核在圖像上滑動，自動學習邊緣、紋理、形狀等層級特征。

MLP 可以通過多層“線性變換 + 非線性激活”學習復雜非線性關系。但是，如果直接用 MLP 處理圖像，通常需要把二維圖像展開成一維向量，這會削弱圖像原有的空間結構信息。

圖 1：從 MLP 到卷積神經網絡

卷積神經網絡正是為了解決這類問題而發展起來的。它通過局部連接、權重共享、特征圖、池化等機制，使模型能夠更有效地從圖像中提取空間特征，并逐層形成從低級視覺特征到高級語義特征的表示。

一、為什么需要卷積神經網絡

圖像數據與普通表格數據不同。

在表格數據中，每一列通常表示一個明確特征，例如面積、樓齡、收入、消費次數等。而在圖像中，每個像素本身并不總是具有獨立語義。一個像素是否重要，往往取決于它周圍像素的排列關系。

例如，在一張手寫數字圖片中：

? 相鄰像素共同形成筆畫

? 筆畫組合形成局部結構

? 局部結構進一步組合成數字整體

? 數字類別取決于這些空間結構的整體模式

如果把圖像直接展平成一維向量，再交給 MLP 處理，模型雖然仍然可以訓練，但會遇到幾個問題。

第一，空間結構被削弱。

原本相鄰的像素在展平后可能相距很遠，模型不容易直接利用局部鄰域關系。

第二，參數數量可能過大。

如果一張圖像大小為 224 × 224 × 3，展平后就是 150528 個輸入值。若直接連接到一個有 1000 個神經元的隱藏層，僅第一層就會產生大量參數。

第三，模型難以自動利用平移不變性。

圖像中的同一個邊緣、紋理或局部形狀，可能出現在不同位置。普通全連接網絡需要在不同位置重復學習類似特征。

卷積神經網絡的基本思想是：用較小的卷積核在圖像上滑動，在不同位置重復檢測相同局部模式。

這樣做帶來兩個重要好處：

? 局部連接：每個神經元只關注局部區域

? 權重共享：同一個卷積核在整張圖像上重復使用

因此，CNN 比普通 MLP 更適合處理圖像這類具有空間結構的數據。

二、卷積運算的基本思想

卷積神經網絡的核心操作是（Convolution）。在圖像處理中，可以把卷積理解為：用一個小矩陣在圖像上滑動，并對局部區域進行加權求和。

這個小矩陣通常稱為卷積核（Kernel）或濾波器（Filter）。

圖 2：卷積核在圖像上滑動并生成特征圖

假設輸入圖像是一個二維矩陣，卷積核也是一個較小的二維矩陣。卷積核每次覆蓋圖像中的一個局部區域，然后把對應位置相乘并求和，得到輸出特征圖中的一個數值。

對于二維輸入，簡化的卷積計算可以寫為：

其中：

? X 表示輸入圖像或輸入特征圖

? K 表示卷積核

? S(i,j) 表示輸出特征圖在位置 (i,j) 的值

? m、n 表示卷積核內部的位置索引

? ∑ 表示對局部區域內的元素求和

從直觀角度看，卷積核像一個“局部模式檢測器”。

不同卷積核可以學習不同視覺模式：

? 有的卷積核可能檢測水平邊緣

? 有的卷積核可能檢測垂直邊緣

? 有的卷積核可能檢測斜線紋理

? 更深層的卷積核可能檢測局部形狀或物體部件

在 PyTorch 中，torch.nn.Conv2d 用于對由多個輸入平面組成的輸入信號執行二維卷積，常用于圖像特征提取。

三、卷積層的關鍵概念

理解 CNN，需要掌握幾個核心概念：卷積核、步幅、填充、通道和特征圖。

圖 3：卷積層中的卷積核、通道與特征圖

1、卷積核：局部特征檢測器

是一個可學習的小矩陣。訓練開始時，卷積核中的數值通常是隨機初始化的；訓練過程中，模型會通過反向傳播不斷調整這些數值，使卷積核逐漸學會對任務有用的局部模式。

例如，一個 3 × 3 卷積核可以寫成：

其中：

? K 表示卷積核

? k??、k??、…、k?? 表示卷積核中的可學習參數

? 3 × 3 表示卷積核覆蓋的局部區域大小

卷積核越大，每次看到的局部區域越大；卷積核越小，計算更輕量，也更容易堆疊成深層結構。

在現代 CNN 中，3 × 3 卷積非常常見，因為它既能捕捉局部結構，又具有較好的計算效率。

2、步幅：卷積核每次移動的距離

步幅（Stride）表示卷積核每次滑動的距離。

如果 stride = 1，卷積核每次移動 1 個像素；如果 stride = 2，卷積核每次移動 2 個像素。

步幅越大，輸出特征圖的尺寸通常越小。

可以簡單理解為：

? 小步幅：保留更多空間細節

? 大步幅：更快降低特征圖尺寸

3、填充：控制邊緣信息與輸出尺寸

填充（Padding）是在輸入圖像邊緣補充額外像素，常見做法是在邊緣補 0。

填充的作用主要有兩個：

? 讓卷積核能夠覆蓋圖像邊緣區域

? 控制輸出特征圖的空間尺寸

如果沒有填充，卷積核在滑動時無法完全覆蓋邊緣像素，輸出尺寸會逐層變小。適當填充可以緩解這一問題。

4、通道：從灰度圖到彩色圖

圖像通常具有通道（Channel）。

例如：

? 灰度圖通常有 1 個通道

? 彩色 RGB 圖像通常有 3 個通道

? 卷積層輸出的特征圖也可以有多個通道

在 CNN 中，每個輸出通道通常對應一個卷積核學習到的一類特征。多個卷積核會生成多個輸出通道，也就是多張特征圖。

例如，一個卷積層可以把輸入從 3 個通道變成 32 個通道：

nn.Conv2d(in_channels=3, out_channels=32, kernel_size=3)

其中：

? in_channels=3 表示輸入有 3 個通道

? out_channels=32 表示輸出 32 個特征通道

? kernel_size=3 表示使用 3 × 3 卷積核

在 PyTorch 中，二維卷積層的輸入通常具有形狀 N、C、H、W，分別表示批量大小、通道數、高度和寬度；Conv2d 的 in_channels 和 out_channels 用來指定輸入與輸出通道數量。

5、特征圖：卷積層的輸出

卷積層的輸出稱為特征圖（Feature Map）。一張特征圖可以理解為某個卷積核在圖像不同位置上的響應強度。

如果某個位置與卷積核學習到的模式相似，響應值通常較高；如果不相似，響應值可能較低。

從直觀角度看，特征圖回答的是：某種局部模式在圖像的哪些位置出現得比較明顯？

隨著網絡層數加深，特征圖表達的內容也會逐漸抽象：

→ 類別相關語義

四、池化層與空間尺寸壓縮

卷積層負責提取局部特征，但如果一直保留完整空間尺寸，計算量會很大，而且模型可能過度關注細節位置。

（Pooling Layer）用于降低特征圖的空間尺寸，同時保留主要響應信息。

最常見的是最大池化（Max Pooling）。它在局部區域中取最大值，例如在 2 × 2 區域中選出最大響應。

圖 4：最大池化如何壓縮特征圖尺寸

最大池化可以寫為：

其中：

? X 表示輸入特征圖

? Y(i,j) 表示池化后在位置 (i,j) 的值

? R(i,j) 表示當前位置對應的局部區域

? max 表示取最大值

從直觀角度看，最大池化保留的是局部區域中最明顯的特征響應。

池化層的作用包括：

? 降低特征圖尺寸

? 減少計算量

? 增強一定程度的位置魯棒性

? 保留局部區域中最顯著的特征

例如，一個 2 × 2 最大池化層通常會把特征圖的高和寬約縮小一半。

在 PyTorch 中，torch.nn.MaxPool2d 用于對由多個輸入平面組成的輸入信號執行二維最大池化，輸入形狀通常也按 N、C、H、W 組織。

需要注意的是，池化并不是 CNN 中唯一的下采樣方式。現代網絡中，也常用步幅卷積（Strided Convolution）來替代部分池化操作。

五、CNN 的典型結構

一個基礎 CNN 通常由三類模塊組成：

卷積層 → 激活函數 → 池化層 → 全連接層 → 輸出層

更具體地說，常見圖像分類 CNN 可以寫成：

→ 輸出類別得分

其中：

? 卷積層負責提取局部特征

? ReLU 負責引入非線性

? 池化層負責壓縮空間尺寸

? 展平操作把多維特征圖轉換成一維向量

? 全連接層負責綜合特征并輸出類別得分

圖 5：卷積神經網絡的典型結構

在圖像分類任務中，CNN 的前半部分通常稱為特征提取器，后半部分通常稱為分類器。

可以簡單理解為：

? 特征提取器：從圖像中提取有用視覺特征

? 分類器：根據這些特征判斷類別

例如，對于手寫數字識別任務，前面的卷積層可能學習筆畫、彎曲結構、局部紋理等特征，后面的全連接層則根據這些特征判斷數字類別。

六、CNN 為什么適合圖像任務

CNN 適合圖像任務，主要來自三個結構優勢：局部感受野、權重共享和層級特征學習。

1、局部感受野

局部感受野（Local Receptive Field）表示一個神經元只關注輸入中的局部區域。

在圖像中，局部像素往往具有強相關性。例如，一個邊緣通常由相鄰像素共同形成。卷積層利用局部感受野，可以優先學習這些局部結構，而不必一開始就連接整張圖像。

這比普通全連接層更符合圖像數據的空間規律。

2、權重共享

權重共享（Weight Sharing）表示同一個卷積核在圖像不同位置重復使用。

如果一個卷積核學會檢測某種邊緣模式，那么它可以在整張圖像的不同位置檢測同樣的模式。

這帶來兩個好處：

? 大幅減少參數數量

? 提高對位置變化的適應能力

例如，同一個豎直邊緣可能出現在圖像左側、右側或中間。通過權重共享，CNN 不需要為每個位置單獨學習一套參數。

3、層級特征學習

CNN 的淺層通常學習低級特征，深層逐漸學習更抽象的高級特征。

可以粗略理解為：

? 淺層：邊緣、角點、紋理

? 中層：局部形狀、部件

? 深層：物體結構、類別語義

這種層級特征學習能力，是 CNN 在圖像識別任務中表現優異的重要原因。

4、與 MLP 的對比

如果用 MLP 直接處理圖像，通常需要展平輸入。這樣會削弱空間結構，同時帶來大量參數。

而 CNN 在卷積階段保留了圖像的二維結構，通過局部連接和權重共享更高效地提取空間特征。

圖 6：MLP 與 CNN 處理圖像方式的對比

可以簡單對比為：

? MLP：把圖像展平成向量，再進行全連接計算

? CNN：保留圖像空間結構，用卷積核逐層提取局部特征

七、PyTorch 實現：手寫數字分類 CNN

下面使用 PyTorch 構建一個簡單 CNN，完成 MNIST 手寫數字分類任務。

圖 7：CNN 在 MNIST 上的訓練與預測流程

MNIST 是經典手寫數字圖像數據集，圖像為 0 到 9 的數字類別。Torchvision 提供了 torchvision.datasets.MNIST 數據集接口，可以通過 root、train、transform、target_transform、download 等參數加載數據。

1、導入庫并設置環境

這里使用：

? torch.nn 定義神經網絡層

? torch.optim 定義優化器

? DataLoader 按小批量加載數據

? torchvision.datasets 加載 MNIST 數據集

? torchvision.transforms 進行圖像預處理

2、準備 MNIST 數據集

其中：

? ToTensor() 將圖像轉換為張量

? Normalize() 對圖像進行標準化

? train=True 表示加載訓練集

? train=False 表示加載測試集

? download=True 表示如果本地沒有數據則自動下載

? DataLoader 用于按批量讀取數據

MNIST 是灰度圖像，因此輸入通道數為 1。每張圖片大小為 28 × 28。

3、定義 CNN 模型

這個 CNN 可以分為兩部分。

第一部分是特征提取器：

Conv2d → ReLU → MaxPool2d → Conv2d → ReLU → MaxPool2d

第二部分是分類器：

Flatten → Linear → ReLU → Linear

輸入圖像尺寸變化過程為：

輸出：10 個類別得分

其中：

? 第一個卷積層把 1 個輸入通道變成 16 個特征通道

? 第二個卷積層把 16 個通道變成 32 個通道

? 兩次最大池化分別把空間尺寸減半

? 最后一層輸出 10 個類別得分，對應數字 0 到 9

4、定義損失函數和優化器

其中：

? CrossEntropyLoss 用于多分類任務

? Adam 是常用優化器，lr=0.001 表示學習率，model.parameters() 表示把模型所有可訓練參數交給優化器

需要注意，CrossEntropyLoss() 直接接收模型輸出的 logits，不需要在模型最后手動添加 Softmax。PyTorch 文檔說明，CrossEntropyLoss 可用于 C 類分類任務，并計算輸入 logits 與目標類別之間的交叉熵損失。

5、訓練模型

這段訓練代碼體現了 PyTorch 中最常見的訓練閉環：

前向傳播 → 計算損失 → 清空舊梯度 → 反向傳播 → 更新參數

其中：

? model.train() 表示進入訓練模式

? outputs = model(images) 表示前向傳播

? loss = criterion(outputs, labels) 表示計算損失

? optimizer.zero_grad() 用于清空舊梯度

? loss.backward() 用于自動計算梯度

? optimizer.step() 用于更新參數

6、評估模型

其中：

? model.eval() 表示進入評估模式

? torch.no_grad() 表示不計算梯度

? outputs.argmax(dim=1) 取最大得分對應的類別

? accuracy 表示測試集準確率

對于多分類任務，模型輸出的是 10 個類別得分。哪個類別得分最高，模型就預測為哪個數字。

7、查看單個批次的形狀變化

為了幫助理解 CNN 中張量形狀的變化，可以打印一個批次的輸入和輸出形狀：

可能看到類似結果：

輸出結果形狀： torch.Size([64, 10])

其中：

? 64 表示 batch_size

? 1 表示灰度圖像通道數

? 28 × 28 表示圖像高和寬

? 10 表示 10 個類別得分

這說明模型把一批 28 × 28 的手寫數字圖像，轉換成了對應 10 個類別的預測得分。

八、CNN 的適用場景、局限與擴展方向

卷積神經網絡是計算機視覺中的基礎模型之一。它非常適合處理具有空間結構的數據，但也并不是所有任務中的唯一選擇。

圖 8：CNN 的適用場景、局限與擴展方向

1、適用場景

CNN 常用于圖像和視覺相關任務，例如：

? 圖像分類

? 目標檢測

? 圖像分割

? 人臉識別

? 醫學影像分析

? 遙感圖像分析

? 視頻理解中的局部空間特征提取

在這些任務中，局部結構和空間模式通常很重要，因此 CNN 具有天然優勢。

2、主要優勢

CNN 的主要優勢包括：

? 能保留圖像空間結構

? 參數量相對全連接網絡更少

? 能自動學習局部特征

? 對局部平移具有一定魯棒性

? 能逐層形成從低級到高級的視覺表示

? 適合作為復雜視覺模型的基礎模塊

其中，局部連接和權重共享是 CNN 高效處理圖像的重要原因。

3、主要局限

CNN 也有一些局限：

? 對大規模數據和算力有一定需求

? 深層 CNN 訓練時需要合理初始化、歸一化和優化策略

? 對長距離依賴關系的建模能力有限

? 對圖像外的結構化表格數據未必優于傳統方法

? 對旋轉、尺度變化等復雜變換仍可能需要數據增強或特殊結構

在一些現代視覺任務中，CNN 常與注意力機制、Transformer 或多尺度結構結合，以提升特征表達能力。

4、擴展方向

從基礎 CNN 出發，可以繼續學習以下模型和技術：

? LeNet：早期經典 CNN

? AlexNet：推動深度 CNN 發展的代表模型

? VGG：使用小卷積核堆疊深層網絡

? ResNet：通過殘差連接緩解深層網絡訓練困難

? U-Net：常用于醫學圖像分割

? YOLO：常用于目標檢測

? Vision Transformer：將 Transformer 引入視覺任務

這些模型雖然結構更復雜，但都可以從卷積、特征圖、下采樣、非線性激活和端到端訓練等基礎思想出發理解。

小結

卷積神經網絡通過卷積核、局部連接、權重共享和池化等機制，更有效地處理圖像中的空間結構。它能夠逐層學習從邊緣、紋理到形狀和類別語義的視覺特征，是計算機視覺中的基礎模型。理解 CNN，有助于繼續學習 ResNet、U-Net、YOLO 和 Vision Transformer 等更復雜的視覺模型。

“點贊有美意，贊賞是鼓勵”