3.2 卷积流程
我们现在设计一个卷积神经网络的实验，比如识别一张图片是猫还是狗。
3.2.1 输入层
现在我们有一张n*n大小的RGB图片的输入，RGB图片是三通道的，这代表这张图片在输入时就包含红、绿、蓝三个维度的信息。所以一张RGB图片输入给模型的输入层实际上是输入了一个n*n*3的tensor（张量）。
所以实际上一张RGB图片在输入层应该长这样：
H*W*D = n*n*3，图片的RGB三个通道的数据是不同的
3.2.2 卷积层
那如何从一张初始的RGB图片提取浅层、中层、深层语义信息呢？就是用卷积。
书中已经提到的一维卷积和二维卷积是具体的计算方法
而实际上我们会发现，一张初始RGB图片是三维的，是3通道的n维矩阵，二维卷积核只能在n维矩阵上进行卷积，那3通道怎么处理？
实际上，卷积核也是三维的，卷积核的第三维是和输入图像的通道数匹配的。下面我们来解释这个三维体现在哪。
例如，就本实验的猫狗识别任务，初始输入一张RGB图像，现在我们来设计第一层卷积：
本质上，通道就是特征，RGB三通道就代表着我们现在有红绿蓝三个维度的特征信息。现在，我们想利用这三个维度的信息，去挖掘更多维度的信息（比如外形、毛发、耳朵等等）。
注：一个卷积核是专门提取一个特征的，解释如下：
卷积运算可以从图像中提取自己关注的抽象特征，一个卷积核就是一组固定的权重 。它在图像上滑动时，做的是模板匹配（互相关运算）。
如果核的权重设计成"检测垂直边缘"，那么：
遇到垂直边缘 → 输出大值（激活）
遇到水平边缘 → 输出小值（抑制）
遇到空白区域 → 输出接近 0
一个核只有一套固定权重，所以它只能匹配一种固定模式。 但它能检测这个特征的所有位置，虽然一个核只提取一种 特征，但它在所有空间位置扫描。同一个"垂直边缘检测器"，在图像左上角检测到就激活左上角，在右下角检测到就激活右下角。
所以一个核 = 一种特征 + 全图位置。输出特征图上的每个像素，都是该核在对应位置的反应强度。
比如，有一个卷积核K专注于找尖角（比如猫耳朵，当然实际不是这样，这牵扯到可解释性的问题）。K扫描全图（图可能是多通道的）得到一个二维特征图（一个二维的矩阵），这个特征图就表示了尖角这个新的特征，即一个新的维度（通道）。
想挖掘更多维度就要更多的卷积核。
现在，既然我们想从三个维度挖掘更多维度，我们就需要设计更多个卷积核。假设第一层卷积包含4个卷积核，就是想从RGB三个颜色维度提取出4种全新的特征。假设4个全新的特征是：
核1：边缘
核2：颜色边界
核3：颜色斑点
核4：简单纹理。
卷积核是如何工作的？如下：
以核1（2*2*3的卷积核）为例，核1应该长这样：
解释一下：
核1是2*2*3的，2*2是卷积核每层的大小，3是对应3通道的深度。
左半部分卷积核每一层我画成立体的矩阵是为了好看，实际上每层是没有深度的，就是二维矩阵（就像右边一样）。
核的每层数值是不同的（具体是多少是由反向传播决定的），是因为每层所提取的通道是不同的。
每层所提取的通道是不同，即在RGB图中卷积应该是这样，然后扫描整个图像：
就比如这里，卷积核1的层1只与R通道卷积，层2只与G通道卷积，层3只与B通道卷积。
核1的目的是从RGB三个特征的信息中，提取一个新的特征：边缘信息。而边缘信息在三个特征中的表现应该是不一样的 （由模型自己学习，如果一样的话模型会自行将三层的数值统一），所以每层都只与对应通道进行卷积，并且每层的数值也不一样（不同通道对边缘信息都有各自的表现，所以卷积核的每层数值也应不一样，使得核的每层都能在对应的通道中学习到边缘特征）
所以，核1对RGB图像的卷积过程是这样的：
每层各自与对应通道卷积后，对结果求和并加上偏置b，再加上非线性ReLU得到最终结果：特征矩阵Y。Y是二维的，即Y只是一个通道（切片矩阵）。
补充：
不同特征融合为一个新的特征不应该是更复杂的计算吗？为什么是简单的不同通道经卷积后求和？
解答：
这个求和其实不是简单的 1+1=2，而是"带系数的线性组合"：
输出 = w_r · R特征 + w_g · G特征 + w_b · B特征 + b
具体例子：求和如何实现"复杂融合"
假设在某一层，网络想检测"黄色物体"（红+绿=黄）：
通道 卷积核权重设计（训练学出来的） 效果 R 全为 +1 红色强烈支持 G 全为 +1 绿色强烈支持 B 全为 0 蓝色不参与 输出 = 1×R + 1×G + 0×B = R+G
求和的结果就是"黄色检测器"。
再假设网络想检测"红色边缘，但抑制蓝色背景"：
通道 权重 效果 R +2 红色信号放大 G -0.5 绿色信号轻微抑制 B -1 蓝色背景强烈抑制 输出 = 2×R - 0.5×G - 1×B
这不是简单求和，这是"选择性增强与抑制"的融合策略。
并且，非线性在激活函数里。
卷积层的完整运算其实是：
输出 = ReLU( 卷积结果 )
= ReLU( w_r·R + w_g·G + w_b·B + b )
k×k×3的三层卷积核确实各自提取各自通道的特征，但"求和"不是粗暴相加，而是"用学习到的权重做线性组合"。这个权重可以是正的、负的、大的、小的，本质上就是一个微型分类器在做决策："R 通道给我多少分，G 通道给我多少分，B 通道给我多少分，加起来够不够激活"。再加上 ReLU 的非线性裁剪，这种简单的设计已经足够表达"只看红色""只看亮度""抑制背景"等复杂融合策略。你可以把它理解为：64 个卷积核就是 64 个"微型投票委员会"，每个委员会里有 3 个委员（RGB），它们各自打分，最后加起来看总分够不够。委员会的成员权重是训练出来的，所以不同的委员会会自动演化出不同的投票策略。
这里可参考教材理解：
这只是从初始输入的RGB图像中提取一个新的特征（特征映射Y），而我们想提取四个新的特征，所以我们要用到四个卷积核，**每个卷积核重复上面的步骤，**最后我们得到了四个特征映射：
即输出特征映射组 ，传递给下一层。
3.2.3 汇聚层/池化层
这不难理解。
3.2.4 全连接层核决策头
这里就需要具体模型具体分析，不同的任务中是不一样的。
传统做法：展平 + 全连接层
早期网络（LeNet、AlexNet、VGG）的标准流程：
卷积层输出: batch, 512, 7, 7 ← 512通道，7×7空间尺寸
↓
Flatten（展平）: batch, 512×7×7 = batch, 25088 ← 拉成一维向量
↓
全连接层 FC1: batch, 4096
↓
全连接层 FC2: batch, 4096
↓
输出层 FC3: batch, num_classes ← 1000 类（ImageNet）或 2 类（猫狗）
为什么要展平？ 全连接层的数学定义是 y = Wx + b，其中 W 是二维矩阵。它要求输入必须是一维向量 。卷积输出是 4 维张量 [batch, channel, H, W]，所以必须展平才能送进全连接层。
现代替代：全局平均池化（GAP）
从 Network in Network（2013）和 ResNet（2015）开始，很多网络不用全连接层：
卷积层输出: batch, 512, 7, 7
↓
Global Average Pooling: 对 7×7 空间维度取平均 → batch, 512, 1, 1
↓
squeeze: batch, 512 ← 不需要展平，直接变成一维
↓
全连接层（或 1×1 卷积）: batch, num_classes
GAP 的优势：
-
参数极少：没有 25088×4096 这种巨大权重矩阵，抗过拟合
-
保留空间语义：512 个通道每个对应一种高级特征，取平均后保留特征强度
-
可接受任意输入尺寸 ：全连接层要求固定输入维度（因为权重矩阵尺寸固定），而 GAP 后总是输出
channel个数，与输入图大小无关
CNN 的最后输出层可以 是全连接层，也可以不是。展平操作是配合全连接层的权宜之计，现代网络更倾向于用池化或卷积来避免这一步骤，从而减少参数并增强鲁棒性。