从零开始理解 CNN（上）：为什么图像任务需要卷积神经网络？
🔥 星恒随风： 个人主页 ❄️ 个人专栏： 《指针合集》 ｜ 《C语言基础》 ｜ 《数据结构》 ｜ 《机器学习导论》 ｜ 《前端基础》 ✨ 数据即知识，压缩即智能
写在前面：
在前面的文章中，我们已经学习了 MLP，也就是多层感知机。MLP 的核心思想是： 把输入数据看成一个向量，然后通过多层线性变换和激活函数完成预测。
但是，当我们把 MLP 直接用于图像任务时，很快就会遇到一个问题： 图像有空间结构
目录
- [从零开始理解 CNN（上）：为什么图像任务需要卷积神经网络？](#从零开始理解 CNN（上）：为什么图像任务需要卷积神经网络？)
-
- [一、先从一个问题开始：MLP 为什么不太适合直接处理图像？](#一、先从一个问题开始：MLP 为什么不太适合直接处理图像？)
- 二、图片被"压扁"后，空间关系被破坏了
- [三、CNN 的核心想法：不要一口气看全图，而是先看局部](#三、CNN 的核心想法：不要一口气看全图，而是先看局部)
- 四、卷积核可以理解成什么？
- 五、类比：卷积核像侦察兵
- 六、特征图是什么？
- [七、CNN 为什么适合图像？](#七、CNN 为什么适合图像？)
- 八、特点一：局部连接------先看局部，再理解整体
- 九、特点二：参数共享------同一个探测器，全图复用
- 十、特点三：层次化特征提取------从边缘到语义
- [十一、CNN 和 MLP 的本质区别](#十一、CNN 和 MLP 的本质区别)
- [十二、CNN 的历史位置](#十二、CNN 的历史位置)
- 十三、上篇总结
一、先从一个问题开始：MLP 为什么不太适合直接处理图像？
假设有一张 224 × 224 的 RGB 图片。
它的输入维度是：
224 × 224 × 3 = 150528
也就是说，一张图片在计算机眼里，本质上是 150528 个数字。
如果使用 MLP，通常要先把图片拉平成一个长向量：
text
224 × 224 × 3 → 150528这听起来好像可以，但问题很快出现了。
二、图片被"压扁"后，空间关系被破坏了
我们识别图片时，不只是看每个像素的数值，还要看它们之间的空间关系。
例如识别一片水稻叶片时，我们可能会关注：
| 视觉线索 | 对识别有什么帮助 |
|---|---|
| 叶片边缘 | 判断叶片轮廓 |
| 叶脉纹理 | 判断植物结构 |
| 颜色变化 | 判断是否发黄、枯萎 |
| 病斑形状 | 判断病害类型 |
| 病斑分布 | 判断病害严重程度 |
这些信息都不是孤立像素能表达的，而是由局部区域共同构成的。
如果把图片拉平成一维向量，模型当然仍然能训练，但它没有天然利用图像的二维空间结构。
形象理解：
这就像你把一张地图剪成很多小块，然后排成一条直线。地图上的城市、河流、道路都还在，但它们之间的相对位置关系变得很难利用。
图 1：MLP 将二维图像拉平成一维向量后，局部空间关系会被削弱。
三、CNN 的核心想法：不要一口气看全图，而是先看局部
CNN 的思路非常符合人类看图像的方式。
我们看一张图时，往往不是一眼就理解所有内容，而是先观察局部：
边缘在哪里？
纹理有什么变化？
有没有明显斑点？
有没有局部形状？
局部结构之间如何组合？
CNN 也是这样做的。
它不会让每个神经元一开始就连接整张图片，而是使用一个小窗口在图片上滑动，一块一块地观察局部区域。
这个小窗口就是：
卷积核，也叫 filter 或 kernel
四、卷积核可以理解成什么？
卷积核可以理解成一个：
特征探测器
它在图片上滑动，每到一个位置，就问一个问题：
"这里有没有我想找的特征？"
比如：
有没有竖直边缘？
有没有水平边缘？
有没有颜色突变？
有没有某种纹理？
有没有病斑形状？
如果有，输出值就比较大；如果没有，输出值就比较小。
所以卷积层不是神秘操作，它更像是一组会学习的"图像侦察兵"。
图 2：卷积核在图像上滑动，每次只观察一个局部区域，并生成对应的特征响应。
五、类比：卷积核像侦察兵
你可以把整张图片想象成一片地图。
卷积核就是一个侦察兵。
它不会一次看完整张地图，而是从左到右、从上到下慢慢巡逻。
每走到一个位置，它就检查：
这里有没有边缘？
这里有没有纹理？
这里有没有斑点？
这里有没有某种局部形状？
如果发现目标，它就在输出图上做一个标记。
这张输出图就叫：
特征图，Feature Map
六、特征图是什么？
特征图可以理解为：
模型在整张图片上找到某种特征的位置分布图。
比如：
一个卷积核负责找竖直边缘；
另一个卷积核负责找水平边缘；
另一个卷积核负责找斑点纹理；
另一个卷积核负责找颜色突变。
那么不同卷积核就会输出不同的特征图。
换句话说，卷积层的输出不再是原始像素，而是模型眼中"有用特征"的响应分布。
图 3：不同卷积核会学习不同的观察方式，因此会产生不同的特征图。
七、CNN 为什么适合图像？
CNN 之所以适合图像，主要依赖三个核心特点：
| 特点 | 含义 | 为什么重要 |
|---|---|---|
| 局部连接 | 一次只看图像局部区域 | 符合图像的局部结构特点 |
| 参数共享 | 同一个卷积核在整张图上复用 | 大幅减少参数量 |
| 层次化特征提取 | 从简单特征逐层组合成复杂特征 | 符合视觉理解过程 |
八、特点一：局部连接------先看局部，再理解整体
图像中的一个像素，通常和它附近的像素关系更密切。
比如一条边缘，往往来自相邻像素之间的颜色或亮度突变。
一个病斑，也往往表现为某个局部区域内颜色、纹理、形状的共同变化。
因此，CNN 没有必要让每个神经元一开始就看整张图。
它只需要先看局部区域。
例如一个 3×3 卷积核，每次只观察一个 3×3 的小窗口。
这就是局部连接。
九、特点二：参数共享------同一个探测器，全图复用
假设有一个卷积核学会了检测"竖直边缘"。
那么这个卷积核不应该只在图片左上角生效。
因为竖直边缘可能出现在图片任何位置。
所以 CNN 会让同一个卷积核在整张图片上滑动。
这就是参数共享。
参数共享的好处：
减少参数量；提升特征复用能力；同一个特征探测器可以在全图工作；更适合处理目标位置变化的问题。
十、特点三：层次化特征提取------从边缘到语义
CNN 最精彩的地方，是它可以逐层构建特征。
浅层可能学到：
text
边缘；
亮暗变化；
颜色变化；
简单纹理。中间层可能学到：
text
角点；
局部图案；
叶脉纹理；
病斑边缘；
局部形状组合。深层可能学到：
text
叶片整体结构；
病害区域模式；
物体部件；
类别相关语义。这就是层次化特征提取。
图 4：CNN 通过多层卷积逐步完成从低级视觉特征到高级语义特征的抽象。
十一、CNN 和 MLP 的本质区别
| 对比点 | MLP | CNN |
|---|---|---|
| 输入方式 | 通常先拉平成向量 | 保留图像二维结构 |
| 参数连接 | 全连接 | 局部连接 |
| 参数复用 | 较弱 | 同一卷积核全图共享 |
| 图像结构利用 | 不直接利用空间结构 | 天然利用空间结构 |
| 适合任务 | 表格、简单向量特征 | 图像、视觉任务 |
所以 CNN 不是简单地"比 MLP 更高级"。
更准确地说，CNN 的结构更符合图像数据的特点。
十二、CNN 的历史位置
CNN 并不是突然出现的。
LeNet 是早期非常经典的 CNN 代表，被用于手写字符和文档识别任务。
后来，AlexNet 在 ImageNet 大规模图像分类任务中取得突破，让深度卷积神经网络真正成为计算机视觉领域的重要主线。
CNN 不只是一个"课堂概念"，而是推动计算机视觉发展的重要基础结构。后面的 VGG、ResNet、YOLO 等模型，都和 CNN 的思想密切相关。
十三、上篇总结
这一篇我们主要解决了一个问题：
为什么图像任务需要 CNN？
答案可以总结为三句话：
第一， 图像有空间结构，不能简单当成长向量处理。
第二， 卷积核可以像滑动窗口一样扫描局部区域，提取边缘、纹理、斑点等局部特征。
**第三，**CNN 通过局部连接、参数共享和层次化特征提取，更自然地适配图像数据。