一、一句话定义
卷积神经网络（Convolutional Neural Network，CNN） 是专门用来处理网格结构数据（最常见是图片）的深度神经网络，核心靠「卷积操作」提取图像局部特征，大幅减少参数量，解决普通全连接网络处理图片时参数爆炸、易过拟合的问题。
二、为什么普通神经网络不适合图片？
一张 224×224 的 RGB 图片：224×224×3 = 150528 个像素。
如果直接全连接：第一层权重参数会达到上亿级，训练慢、极易记住训练集噪声（过拟合）。
CNN 两大优势：
局部感受野：只看一小块像素，不一次性看整张图；
权值共享：提取同一种特征（边缘、纹理）用同一套卷积核，极大减少参数。
三、CNN 五大核心层（完整流水线）
- 卷积层 Conv（核心）
卷积核（滤波器 Kernel）
一个小矩阵（3×3、5×5 最常用），相当于特征探测器：
3×3 核 → 检测边缘；
横向核 → 检测横线条；
对角核 → 检测斜纹；
多层卷积叠加：低层抓边缘纹理，中层抓五官 / 部件，高层抓完整物体。
卷积计算逻辑
滑动窗口：卷积核在图片矩阵上逐格滑动，对应位置相乘再求和，生成一张特征图 Feature Map。
超参数：
步长 Stride：每次滑动几格；
填充 Padding：边缘补 0，控制输出尺寸不变。 - 激活层（ReLU 为主）
卷积输出是线性结果，加非线性激活，让网络能学习复杂图案。
ReLU：负数置 0，正数保留，计算快、缓解梯度消失。 - 池化层 Pooling（下采样）
作用：压缩特征图尺寸，保留关键特征，降低计算量
两种常用：
最大池化 MaxPool：窗口内取最大值，保留最明显特征；
平均池化 AvgPool：窗口取平均，柔和全局信息。 - 归一化层 BN（Batch Normalization）
把每层数据标准化，加速训练、稳定梯度、减轻过拟合。 - 全连接层 FC / 分类头
经过多轮「卷积 + 激活 + 池化」后，把 2D 特征图展平成一维向量，再接全连接层，最后输出分类概率（如猫 / 狗 / 车）。
四、典型经典 CNN 结构递进
LeNet-5（1998）：最早 CNN，手写数字识别，两层卷积；
AlexNet（2012）：CNN 爆发起点，ReLU、Dropout、GPU 训练，图像分类夺冠；
VGG16/VGG19：全部 3×3 小卷积堆叠，结构简单易复现；
GoogLeNet(Inception)：多尺度卷积并行，降低参数量；
ResNet 残差网络：引入残差连接，解决深层网络梯度消失，能训练上百层；
MobileNet：深度可分离卷积，轻量化 CNN，手机 / 嵌入式设备使用。
五、CNN 完整工作流程举例（猫狗分类）
输入彩色图片 →
卷积 1：提取边缘、明暗轮廓；
ReLU 激活 + 最大池化：缩小图片；
卷积 2：组合边缘，提取纹理、色块；
卷积 3：组合纹理，提取眼睛、耳朵等局部部件；
深层卷积：组合部件，识别整张猫 / 狗轮廓；
展平 + 全连接层 → 输出「是猫 / 是狗」概率。
六、CNN 适用场景
计算机视觉主流：图像分类、目标检测（YOLO）、图像分割、人脸识别；
也可处理一维网格数据：语音信号、时序数据；
医疗影像识别、自动驾驶视觉、OCR 文字识别。
七、核心特点总结
局部感知：不用全局连接，模拟人眼先看局部；
权值共享：一个卷积核全图复用，参数远少于全连接；
平移不变性：物体在图中左右上下移动，依然能识别；
分层特征提取：低层简单特征，高层抽象语义特征。