文章目录
-
- 一、基础概念回顾
- 二、卷积层各组件详解
-
- [1. 多通道卷积（3D卷积）](#1. 多通道卷积（3D卷积）)
- [2. 步长 (Stride)](#2. 步长 (Stride))
- [3. 填充 (Padding)](#3. 填充 (Padding))
- [4. 膨胀卷积 (Dilated/Atrous Convolution)](#4. 膨胀卷积 (Dilated/Atrous Convolution))
- [5. 分组卷积 (Grouped Convolution)](#5. 分组卷积 (Grouped Convolution))
- 三、综合实例：人脸识别系统
- 四、可视化理解
- 五、常见问答
-
- [Q1: 为什么卷积核通常是奇数尺寸？](#Q1: 为什么卷积核通常是奇数尺寸？)
- [Q2: 1×1卷积有什么用？](#Q2: 1×1卷积有什么用？)
- [Q3: 如何选择卷积核尺寸？](#Q3: 如何选择卷积核尺寸？)
- [Q4: 池化层 vs 步长>1的卷积？](#Q4: 池化层 vs 步长>1的卷积？)
- 总结
一、基础概念回顾
什么是卷积层？
核心思想 ：局部感知 + 参数共享
- 局部感知：不像全连接层那样看整张图，而是每次只看图像的一小块区域
- 参数共享：用同一个"小探测器"（卷积核）扫描整张图的不同位置
生活比喻：像用手电筒在黑暗房间里寻找物品
- 手电筒的光斑 = 卷积核的感知范围
- 移动手电筒扫描 = 卷积核在图像上滑动
- 看到的不同物品 = 提取的不同特征
二、卷积层各组件详解
1. 多通道卷积（3D卷积）
技术定义：
- 输入：
[高度, 宽度, 输入通道数] - 卷积核：
[核高度, 核宽度, 输入通道数, 输出通道数] - 输出：
[输出高度, 输出宽度, 输出通道数]
生活实例 ：蛋糕制作机
输入原料：面粉层 + 鸡蛋层 + 糖层（3个输入通道）
制作工具：三层模具同时压下去（3D卷积核）
输出结果：一个完整的小蛋糕（1个输出特征）
多个工具：不同形状的模具 → 不同种类的蛋糕（多个输出通道）数学示例：
python
# 假设输入是3通道的5×5图像
输入 = [
[[1,2,3], [4,5,6], [7,8,9], ...], # 红色通道
[[0,1,2], [3,4,5], [6,7,8], ...], # 绿色通道
[[2,3,4], [5,6,7], [8,9,0], ...] # 蓝色通道
]
# 3D卷积核（3×3×3）
卷积核 = [
# 对红色通道的权重
[[0,1,0], [1,1,1], [0,1,0]],
# 对绿色通道的权重
[[1,0,1], [0,1,0], [1,0,1]],
# 对蓝色通道的权重
[[0,0,0], [1,1,1], [0,0,0]]
]
# 计算：三个通道分别卷积后相加
结果 = 红通道卷积 + 绿通道卷积 + 蓝通道卷积2. 步长 (Stride)
技术定义：
- 步长S=1：每次移动1个像素（最常用）
- 步长S=2：每次移动2个像素（下采样）
生活实例 ：扫地机器人
小步长(S=1)：机器人慢慢移动，每个地方都仔细清扫
→ 输出详细地图（特征图尺寸大）
大步长(S=2)：机器人快速移动，只清扫关键区域
→ 输出简化地图（特征图尺寸小）计算示例：
python
输入尺寸: 7×7 (H×W)
卷积核: 3×3
步长=1 → 输出尺寸: (7-3)/1 + 1 = 5×5
步长=2 → 输出尺寸: (7-3)/2 + 1 = 3×3
步长=3 → 输出尺寸: (7-3)/3 + 1 = 2×2 # 向下取整3. 填充 (Padding)
两种主要模式：
- 'valid'：无填充，输出尺寸会缩小
- 'same'：填充使得输出尺寸与输入相同（当步长=1时）
生活实例 ：相框装裱照片
原始照片：需要裁剪边缘才能放进相框 → 'valid'卷积
（信息可能丢失，尺寸变小）
带边框的照片：先给照片加白色边框，再放进相框 → 'same'卷积
（保留边缘信息，尺寸不变）填充方法示例：
python
# 输入5×5，卷积核3×3，步长=1
输入:
[[1,2,3,4,5],
[6,7,8,9,0],
[1,2,3,4,5],
[6,7,8,9,0],
[1,2,3,4,5]]
# 'same'填充：在周围加一圈0
填充后:
[[0,0,0,0,0,0,0],
[0,1,2,3,4,5,0],
[0,6,7,8,9,0,0],
[0,1,2,3,4,5,0],
[0,6,7,8,9,0,0],
[0,1,2,3,4,5,0],
[0,0,0,0,0,0,0]]
# 卷积后输出尺寸仍是5×54. 膨胀卷积 (Dilated/Atrous Convolution)
技术定义：
- 在卷积核元素间插入"空洞"
- 膨胀率r=1：普通卷积
- 膨胀率r=2：元素间有1个空洞
生活实例 ：渔网捕鱼
普通渔网(r=1)：网眼密，捕捉小鱼（局部细节）
膨胀渔网(r=2)：网眼稀，捕捉大鱼（大范围特征）
超级膨胀渔网(r=4)：超大网眼，捕捉鲸鱼（极大感受野）视觉对比：
普通卷积核(r=1): 膨胀卷积核(r=2):
● ● ● ● ● ●
● ● ● ●
● ● ● ● ● ●
感受野: 3×3 感受野: 5×5
参数: 9个 参数: 9个（相同！）代码示例：
python
import torch
import torch.nn as nn
# 普通卷积
conv_normal = nn.Conv2d(3, 16, kernel_size=3, dilation=1)
# 感受野: 3×3
# 膨胀卷积
conv_dilated = nn.Conv2d(3, 16, kernel_size=3, dilation=2)
# 实际感受野: 5×5 (但参数仍是3×3=9个)
# 膨胀卷积计算位置
# 膨胀率=2时，实际采样的位置：
# (0,0), (0,2), (0,4)
# (2,0), (2,2), (2,4)
# (4,0), (4,2), (4,4)5. 分组卷积 (Grouped Convolution)
技术定义：
- 将输入通道分为g组
- 每组独立卷积，结果拼接
- 极端情况：分组数=通道数 → 深度可分离卷积
生活实例 ：专家团队协作
输入：一本百科全书（256个知识点）
普通卷积：1个全才专家处理所有256个知识点
→ 工作量大，容易出错
分组卷积(g=4)：4个专家团队，每组64个知识点
Team A: 数学物理
Team B: 化学生物
Team C: 历史地理
Team D: 文学艺术
→ 各展所长，效率更高参数对比：
python
输入: 256通道
输出: 256通道
卷积核: 3×3
# 普通卷积
参数量 = 3×3×256×256 = 589,824
# 分组卷积(g=4)
每组输入通道 = 256/4 = 64
每组输出通道 = 256/4 = 64
参数量 = 4 × (3×3×64×64) = 147,456
# 参数减少到1/4！三、综合实例：人脸识别系统
让我们用一个完整的人脸识别例子串联所有概念：
python
# 模拟人脸识别CNN的卷积层设计
人脸图像 = "3通道RGB, 224×224像素"
# 第1层：基础特征提取
卷积层1 = 多通道卷积(
输入通道=3,
输出通道=64,
核大小=7×7,
步长=2, # 快速下采样
填充='same' # 保留边缘信息
)
# 作用：检测边缘、颜色等基础特征
# 第2层：细节特征提取
卷积层2 = 分组卷积(
输入通道=64,
输出通道=128,
核大小=3×3,
分组数=4, # 4个专家团队分工
步长=1,
填充='same'
)
# 作用：分组提取眼、鼻、口、轮廓等不同特征
# 第3层：大范围特征提取
卷积层3 = 膨胀卷积(
输入通道=128,
输出通道=256,
核大小=3×3,
膨胀率=2, # 扩大感受野
步长=1
)
# 作用：捕捉脸部整体结构、相对位置关系
# 最终：得到高级特征表示，用于人脸比对四、可视化理解
卷积过程动画想象
输入图像: [███图像内容███]
卷积核: [◎探测器◎]
步长=1时:
位置1: [◎探测器◎]███图像内容███
位置2: █[◎探测器◎]██图像内容███
位置3: ██[◎探测器◎]█图像内容███
...不同卷积对比图
普通卷积: █████ → 逐点密集扫描
膨胀卷积: █ █ █ → 跳点扫描，范围大
分组卷积: █|█|█ → 分组并行处理五、常见问答
Q1: 为什么卷积核通常是奇数尺寸？
A: 奇数尺寸有中心点，便于对称填充和定位。常见尺寸：1×1, 3×3, 5×5, 7×7。
Q2: 1×1卷积有什么用？
A: 1×1卷积是"通道混合器"：
- 降维/升维（改变通道数）
- 增加非线性（配合激活函数）
- 极低成本的特征重组
Q3: 如何选择卷积核尺寸？
A: 经验法则：
- 浅层：大核（7×7, 5×5）捕捉大范围基础特征
- 深层：小核（3×3, 1×1）提取精细特征
- 现代趋势：多用3×3小核堆叠（VGG风格）
Q4: 池化层 vs 步长>1的卷积？
A: 两者都下采样，但：
- 池化层：无参数，更鲁棒（最大池化抗噪声）
- 带步长卷积：有参数，可学习下采样方式
- 现代网络：倾向用带步长卷积替代池化层
总结
卷积层是CNN的核心引擎，理解它的各个组件就像理解汽车的各个系统：
- 多通道：多感官协同工作
- 步长：移动速度
- 填充：边界处理策略
- 膨胀：视野范围
- 分组：并行处理能力
关键思想 ：所有这些设计都是在平衡：
- 感受野大小 vs 计算成本
- 特征保留 vs 下采样需求
- 参数数量 vs 模型容量