【深度学习】卷积神经网络（CNN）入门：看图识物不再难！

卷积神经网络（CNN）入门：看图识物不再难！

作者：南方的狮子先生
日期：2025-10
GitHub仓库地址：https://github.com/TZ-WYmail/SUSTech-CS312-DeepLearning（包含课件内容，发财小手点点star）
关键词：CNN、卷积、池化、参数共享、稀疏连接、图像识别、初学者

---

个人感觉课件内容不如动手深度学习的内容详细（课件实在是太抽象了）

1. 为什么图像不适合全连接网络？（参数数量太多，直接爆炸）

想象把一张 1920×1080 的 RGB 照片 直接拉平：

1920 \\times 1080 \\times 3 = 6,220,800 \\text{ 个像素}

再接一层 100 个神经元 的全连接：

6,220,800 \\times 100 = 622,080,000 \\text{ 个参数！}

→ 6 亿参数 ，内存爆炸，还容易过拟合。

更糟的是：把图像右移 1 像素 ，输入向量完全变了，网络又得重新学------毫无平移鲁棒性。

---

2. CNN 的核心思想（一句话记住）

"用滑动窗口扫描图片，同一组参数反复使用！"

这样就把 6 亿参数 压到 几万 ，而且天生不怕图像平移。

---

3. CNN 四大法宝

法宝	作用	生活比喻
卷积	提取局部特征（边缘、纹理）	放大镜逐格看
参数共享	同一个"放大镜"全图用	全世界共用一把尺子
稀疏连接	每个输出只依赖一小片输入	只问邻居，不找全小区
池化	下采样、降维、抗小扰动	把 4 张照片压成 1 张最显眼

---

4. 卷积到底在算什么？

4.1 二维卷积动图（文字版）

输入 5×5        核 3×3        输出 3×3
┌──────┐       ┌──────┐     ┌──────┐
│1 2 3│       │a b c│     │ a·1+b·2+c·3 │
│4 5 6│ *     │d e f│  =  │ +d·4+e·5+f·6 │  ← 把 9 个乘加结果写进一个格子
│7 8 9│       │g h i│     │ = 单点输出    │
└──────┘       └──────┘     └─────────────┘

→ 核（kernel）像"特征探测器 "，滑完整张图就得到一张特征图 （feature map）。

公式：

S：stride （步幅）

H_out（高度方向上面的（shape【0】））=(H_in-K+P)/S+1 或者 floor((H_in-K+P+S)/S)

4.2 代码一行的样子

import torch.nn as nn
conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

---

5. 池化：把"不重要"的信息扔掉

类型	做法	效果
Max Pooling	取 2×2 窗口里最大值	保留最显著特征，抗微小位移
Average Pooling	取 2×2 窗口平均值	平滑降噪，但不如 Max 常用

pool = nn.MaxPool2d(kernel_size=2, stride=2)  # 宽高各减半

---

6. 零填充（Padding）------控制输出尺寸

• Valid padding：不补 0，输出越来越小。
• Same padding ：补 0，输出与输入同尺寸（方便堆叠）。

公式（不含 padding）：

H_{\\text{out}} = \\left\\lfloor \\frac{H_{\\text{in}} - H_{\\text{kernel}}}{\\text{stride}} \\right\\rfloor + 1

想保持尺寸？把 padding 设为：

\\text{padding} = \\left\\lfloor \\frac{\\text{kernel_size}}{2} \\right\\rfloor

---

7. 参数共享 vs 局部连接

模式	参数量	说明
全连接	H×W×C×NH \times W \times C \times NH×W×C×N	每个输出神经元连所有输入，参数爆炸
局部连接	降维但仍位置专用参数	核不一样，参数量仍大
卷积（参数共享）	核大小×输入通道×输出通道	同一核全图滑，参数暴降

---

8. 真实滤镜长啥样？

这是 ImageNet 上学到的 96 个 11×11 彩色滤镜（Krizhevsky 等）：

RGB 11×11 → 边缘、颜色 blob、纹理

→ 网络自己学会边缘检测 （类似 Sobel）、颜色斑点，无需手工设计！

---

9. 完整 CNN 玩具例子（PyTorch）

import torch.nn as nn

class TinyCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 16, 3, padding=1),  # 32×32×3 → 32×32×16
            nn.ReLU(),
            nn.MaxPool2d(2),                 # 32×32×16 → 16×16×16

            nn.Conv2d(16, 32, 3, padding=1), # 16×16×16 → 16×16×32
            nn.ReLU(),
            nn.MaxPool2d(2)                  # 16×16×32 → 8×8×32
        )
        self.classifier = nn.Sequential(
            nn.Flatten(),                    # 8×8×32 = 2048
            nn.Linear(2048, 10)              # 10 分类
        )

    def forward(self, x):
        x = self.features(x)
        return self.classifier(x)

---

10. 常见坑 & 小贴士

现象	可能原因	快速修
输出尺寸太小	没 padding / 池化太多	加 padding 或减 stride
参数还是多	卷积核太大	把 5×5 拆成两个 3×3（相同感受野，参数↓）
过拟合	模型太大	加 Dropout、数据增强、减小通道数

---

11. 总结脑图（文字版）

图像输入
   │
   ├─→ 卷积层：滑窗提取特征（参数共享）
   ├─→ 激活层：ReLU 等非线性
   ├─→ 池化层：下采样、抗平移
   ├─→ 重复 N 次（越往后通道越多、尺寸越小）
   │
   ├─→ 展平 → 全连接 → Softmax
   │
   ↓
类别概率

---

12. 下一步学什么？

• 经典架构：LeNet → AlexNet → VGG → ResNet（下周详解）
• 进阶技巧：1×1 卷积、残差连接、分组卷积、空洞卷积
• 实战项目 ：用 CNN 做 CIFAR-10 分类 或 Kaggle 猫狗大战

---