企业官网建设流程全解析

Day 9: 卷积神经网络 (CNN)

摘要：卷积神经网络 (CNN) 是计算机视觉的基石。从模拟人类视觉的局部感知开始，CNN 经历了从 LeNet 到 ResNet 再到 ConvNeXt 的辉煌演进。本文将拆解 CNN 的核心操作（卷积、池化），回顾经典架构的设计哲学，并探讨现代 CNN 如何在 Transformer 时代焕发新生。

1. 为什么需要 CNN？

在全连接网络 (MLP) 中，处理图像面临两个巨大问题：

1. 参数爆炸：一张 224x224x3 的图片有 ~15万个像素点，如果第一层有 1000 个神经元，仅这一层就有 1.5 亿个参数。
2. 位置敏感：MLP 无法捕捉图像的局部特征（如一只猫在左上角还是右下角，特征应该是一样的）。

CNN 引入了两个核心思想来解决这个问题：

• 局部感受野 (Local Receptive Field)：每个神经元只看图片的一小块区域。
• 权值共享 (Weight Sharing)：用同一个卷积核（过滤器）去扫描整张图。

2. 核心组件详解

2.1 卷积层 (Convolution)

卷积操作本质上是特征提取。不同的卷积核可以提取不同的特征（边缘、纹理、形状）。

• Kernel Size (k)：卷积核大小，常用 1x1, 3x3, 5x5。
• Stride (s)：步长，滑动的间隔。Stride > 1 会导致特征图尺寸减小。
• Padding §：填充，为了保持特征图尺寸或处理边界，常用 Zero-padding。
• 输出尺寸计算：H o u t = ⌊ H i n + 2 p − k s ⌋ + 1 H_{out} = \lfloor \frac{H_{in} + 2p - k}{s} \rfloor + 1Hout​=⌊sHin​+2p−k​⌋+1

1x1 卷积的作用（重点）：
看起来没用到邻域信息，但它可以在不改变特征图宽高的前提下，改变通道数 (Channel)。

• 通俗理解：想象输入是64层的“千层饼”。1x1卷积就像一根垂直插入的“探针”，它不看周围，只把这64层的信息揉在一起。
• 降维/升维：用32根探针，就得到了32层的新饼（降维）；用128根，就变成了128层（升维）。这是网络变深且计算量可控的关键。

2.2 池化层 (Pooling)

池化用于降采样，减少参数量，并带来一定的平移不变性。

• Max Pooling：取区域最大值，保留最显著特征（纹理、边缘）。
• Average Pooling：取平均值，保留背景信息。

2.3 感受野 (Receptive Field)

指输出特征图上一个像素点，映射回原始输入图像上所能看到的区域大小。堆叠越多的层，感受野越大，能看到的整体信息越多。

3. 经典架构演进 (The Evolution)

3.1 开山之作：LeNet-5 (1998)

• 贡献：确立了Conv -> Pool -> Conv -> Pool -> FC的标准范式。
• 应用：手写数字识别 (MNIST)。

3.2 王者归来：AlexNet (2012)

• 爆发点：ImageNet 竞赛冠军，深度学习复兴的标志。
• 技巧：使用了 ReLU 激活函数（解决梯度消失）、Dropout（防过拟合）、GPU 加速训练。

3.3 更深更简：VGG (2014)

• 设计哲学：全部使用3x3 小卷积核。
• 洞见：
  • 感受野等效：两个 3x3 堆叠看 5x5，三个 3x3 堆叠看 7x7。
  • 参数更少：三个 3x3 参数量 (3 × 3 2 = 27 3 \times 3^2 = 273×32=27) 远小于一个 7x7 (7 2 = 49 7^2 = 4972=49)。
  • 更强非线性：每层后面都跟一个 ReLU，三层就多了三次非线性变换，让模型能拟合更复杂的函数关系。

3.4 深度突破：ResNet (2015)

• 痛点：网络过深会导致梯度消失和退化问题（层数多了反而效果变差）。
• 核心：残差连接 (Residual Connection)
  y = F ( x ) + x y = F(x) + xy=F(x)+x
  让网络只学习输入x xx与输出之间的“残差”部分。这相当于给梯度开了一条“高速公路”，使得训练成百上千层的网络成为可能。

3.5 效率为王：MobileNet & EfficientNet

• MobileNet：专为手机端设计。
  • 深度可分离卷积：将标准卷积拆解为Depthwise(只抽空间特征) +Pointwise(1x1卷积，只融合通道)。这种“拆解动作”把计算量降低了 8-9 倍。
• EfficientNet：探索模型缩放的黄金法则。
  • 复合缩放：不再盲目加深或加宽，而是发现深度、宽度、分辨率三者之间存在最佳比例。给定算力预算，用公式自动算出最优组合，实现了“多快好省”。

4. 现代 CNN 设计

4.1 ConvNeXt (2022)

在 2020 年后 Vision Transformer (ViT) 席卷 CV 领域时，Meta 推出了 ConvNeXt，证明纯 CNN 架构依然可以打败 ViT。

• 核心思想：它拿最经典的 ResNet-50 做底子，一步步“偷师” Transformer 的先进设计：
  1. Patchify：用 4x4 大步长卷积代替小卷积，模拟 ViT 的切块操作。
  2. 大核卷积：使用 7x7 卷积扩大感受野，模拟 Attention 的全局视野。
  3. 倒瓶颈结构：中间宽两头窄（Channel 维度先升后降），模仿 Transformer 的 MLP。
  4. Layer Norm & GELU：全套换成 Transformer 同款组件。

5. 代码实践：ResNet Block 实现

importtorchimporttorch.nnasnnclassResidualBlock(nn.Module):def__init__(self,in_channels,out_channels,stride=1):super(ResidualBlock,self).__init__()# 主路径 (Main Path)self.conv1=nn.Conv2d(in_channels,out_channels,kernel_size=3,stride=stride,padding=1,bias=False)self.bn1=nn.BatchNorm2d(out_channels)self.relu=nn.ReLU(inplace=True)self.conv2=nn.Conv2d(out_channels,out_channels,kernel_size=3,stride=1,padding=1,bias=False)self.bn2=nn.BatchNorm2d(out_channels)# 捷径 (Shortcut/Skip Connection)# 作用：确保输入 x 能和输出 out 形状一致，从而可以相加self.shortcut=nn.Sequential()# 如果 stride > 1 (图片变小了) 或者 in != out (通道数变了)# x 就没法直接加到 out 上，必须对 x 做个“整形手术”：# 1. 用 1x1 卷积调整通道数# 2. 用 stride 调整图片尺寸ifstride!=1orin_channels!=out_channels:self.shortcut=nn.Sequential(nn.Conv2d(in_channels,out_channels,kernel_size=1,stride=stride,bias=False),nn.BatchNorm2d(out_channels))defforward(self,x):identity=x# 备份原始输入# 主路径计算out=self.conv1(x)out=self.bn1(out)out=self.relu(out)out=self.conv2(out)out=self.bn2(out)# 残差连接：F(x) + x# 注意：这里的 shortcut(identity) 可能会对 x 进行下采样或升维out+=self.shortcut(identity)out=self.relu(out)returnout

6. 总结

CNN 从模拟生物视觉出发，通过卷积和池化实现了高效的图像特征提取。

• VGG告诉我们：小卷积核堆叠更好。
• ResNet告诉我们：有了残差连接，网络可以无限深。
• MobileNet告诉我们：卷积可以拆开算，速度更快。
• ConvNeXt告诉我们：吸收 Transformer 的设计优点，CNN 依然能打。

虽然 Transformer 在大规模预训练上表现强势，但在边缘设备和实时应用中，CNN 依然是首选。

参考资料

• ResNet: Deep Residual Learning for Image Recognition
• A ConvNet for the 2020s (ConvNeXt)
• CS231n: Convolutional Neural Networks