CNN 多层设计详解:从边缘到高级特征的逐层学习

一、概念

卷积神经网络(CNN) 中,模型通常不是一两层,而是由 多层卷积层、池化层、全连接层 堆叠起来。

原因在于:每一层都在学习不同层次的特征,从 简单 → 复杂,逐步组合。


二、原理

1. 层的分工

  • 卷积层(Conv2D)

    • 提取局部特征。
    • 第一层学边缘、线条;第二层学纹理、角点;更深层学物体部件。
  • 激活函数层(ReLU, LeakyReLU 等)

    • 引入非线性,否则网络只能学"线性变换"。
  • 池化层(MaxPooling/AveragePooling)

    • 下采样,减少参数,保留关键信息,增强平移不变性。
  • 全连接层(Dense)

    • 把卷积提取的特征组合起来,完成分类/回归。
  • Softmax 层

    • 把数值转成概率,用于分类输出。

2. 分层特征表示

可以类比人类视觉:

  • 低层神经元只对"边缘/亮度"敏感;
  • 中层神经元能识别"形状/图案";
  • 高层神经元能识别"物体整体"(比如数字 5、猫耳朵)。

三、对比

网络层 学习内容 作用 类比人类视觉
卷积层1 边缘、直线、颜色斑块 初步特征提取 看到"黑白对比"
卷积层2 纹理、角点 组合低层特征 看到"弯曲的线"
卷积层3+ 复杂形状、局部物体 更高语义特征 看到"眼睛/鼻子/数字形状"
池化层 缩小空间维度 提升鲁棒性 只在意"有无",不在意具体位置
全连接层 全局组合 输出分类/预测结果 大脑做"最终判断"

四、实践(代码示例:多层 CNN)

less 复制代码
const model = tf.sequential();

// 第1层卷积:学边缘
model.add(tf.layers.conv2d({
  inputShape: [28, 28, 1],
  filters: 32,
  kernelSize: 3,
  activation: 'relu'
}));
model.add(tf.layers.maxPooling2d({poolSize: [2, 2]}));

// 第2层卷积:学纹理
model.add(tf.layers.conv2d({
  filters: 64,
  kernelSize: 3,
  activation: 'relu'
}));
model.add(tf.layers.maxPooling2d({poolSize: [2, 2]}));

// 第3层卷积:学更复杂的形状
model.add(tf.layers.conv2d({
  filters: 128,
  kernelSize: 3,
  activation: 'relu'
}));
model.add(tf.layers.flatten());

// 全连接层:组合特征
model.add(tf.layers.dense({units: 128, activation: 'relu'}));

// 输出层:分类 0-9
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

👉 注释:

  • Conv2D×3:逐层提取特征。
  • MaxPooling2D:缩小特征图,减少计算。
  • Flatten + Dense:把空间特征变成全局判断。
相关推荐
西陵6 小时前
Nx带来极致的前端开发体验——任务编排
前端·javascript·架构
大前端helloworld6 小时前
从初中级如何迈入中高级-其实技术只是“入门卷”
前端·面试
东风西巷8 小时前
Balabolka:免费高效的文字转语音软件
前端·人工智能·学习·语音识别·软件需求
萌萌哒草头将军8 小时前
10个 ES2025 新特性速览!🚀🚀🚀
前端·javascript·vue.js
半夏陌离8 小时前
SQL 入门指南:排序与分页查询(ORDER BY 多字段排序、LIMIT 分页实战)
java·前端·数据库
whysqwhw8 小时前
鸿蒙工程版本与设备版本不匹配
前端
gnip8 小时前
http缓存
前端·javascript
我不只是切图仔9 小时前
我只是想给网站加个注册验证码,咋就那么难!
前端·后端