卷积神经网络入门：CNN 是视觉的基石
这是什么：卷积神经网络（CNN） = 视觉专属的解法：不把图片拍扁，而是拿着小块"手电筒"在图上扫着找特征。
为什么用：上一章确认了：图片就是数字表格。那能不能把这些数字拍扁成一长串，直接塞给 机器学习 里学的全连接网络？能，但很糟——参数爆炸，猫挪个位置模型立刻懵掉。
如何用：本章先手算一遍 3×3 卷积，看清卷积核（kernel）和特征图是怎么来的。
先看笨办法的困境
一张 224×224 的彩色图拍扁后有约 15 万个数。若第一层有 1000 个神经元，光第一层就要 1.5 亿个参数——又慢又容易过拟合。更致命的是：图片里猫稍微挪个位置，拍扁后所有数字的位置全变了，模型立刻懵掉。
CNN 的核心思路：不拍扁，拿着小窗在图上扫。
卷积核：手电筒扫图找特征
卷积核（kernel） 是一块很小的数字方阵（常见 3×3，一共 9 个数），像一只手电筒：从图片左上角出发，一小块一小块扫到右下角。每停一处，把盖住的 9 个像素和手里的 9 个数对应相乘再求和，在输出上记一个数。扫完整张图，得到的表格叫特征图（feature map）——它标记了"这个特征"在原图各处出现的强度。
手电筒里的 9 个数就是要学的参数：训练中模型不断调整它们，让某只手电筒专对"斜线"亮，另一只专对"眼睛轮廓"亮。好处有两个：
| 对比项 | 拍扁全连接 | 卷积 |
|---|---|---|
| 第一层参数量 | 约 1.5 亿 | 一个核仅 9 个，可叠多个 |
| 猫挪了位置 | 数字全变，失效 | 同一只手电筒照样扫出来 |
| 学到的东西 | 死记位置 | 认"特征本身"（平移不变） |
亲手算一遍 3×3 卷积
输入 5×5 图像，用 3×3 卷积核，不补边，步长 1：
输入 5×5: 卷积核 3×3: 输出 3×3:
1 2 3 4 5 1 0 1 7 8 7
2 3 4 5 6 0 1 0 8 10 8
3 4 5 6 7 1 0 1 7 8 7
4 5 6 7 8
5 6 7 8 9左上角输出 = 1×1+2×0+3×1+2×1+3×1+4×0+3×1+4×0+5×1 = 1+0+3+2+3+0+3+0+5 = 17（示意，实际按对应位置相乘求和）。
输出尺寸公式：输出尺寸 = 输入尺寸 - 核尺寸 + 1，所以 5 - 3 + 1 = 3，得到 3×3 的特征图。
池化：只留重点的缩略图
扫完一圈，特征图和原图一样大，数据量没少。池化（pooling） 负责做"缩略图"：最常用的最大池化把 2×2 的格子压成 1 格，只保留其中最大的数——"这附近有没有该特征"留下了，具体在哪个像素不重要。手算一遍：
输入 4×4: 按 2×2 分块，每块取最大值: 输出 2×2:
1 3 2 0 max(1,3,5,2)=3 3 4
5 2 1 4 max(2,0,1,4)=4 6 8
6 1 0 8 max(6,1,2,0)=6
2 0 6 8 max(0,8,6,8)=8尺寸砍到四分之一，关键信息还在。
层层递进：从边缘到物体
单层卷积只认得出简单图案，CNN 的厉害之处是堆很多层，一层层往上抽象：
| 层 | 学到什么 | 类比 |
|---|---|---|
| 浅层卷积 | 边缘、颜色块、纹理 | 认出"线条" |
| 中层卷积 | 眼睛、轮子、门窗等局部形状 | 把线条拼成"零件" |
| 深层卷积 | 脸、猫、车等整体概念 | 把零件装成"物体" |
| 最后全连接 | 汇总所有证据下结论 | 宣布"这是一只猫" |
注意：底层手电筒是通用的（任何图片都有边缘），越往上越专属于具体任务——这正是下一章"预训练模型"能成立的根本原因。
记忆口诀：卷积扫图找特征，池化缩图留重点；层层堆叠，从线到零件再到猫。
❓ 常见问题
Q1：卷积核一定是 3×3 吗？
不是，常见 3×3，也有 5×5、7×7、1×1。3×3 是性价比最高的选择：感受野足够，参数量又少。深层网络常堆很多个 3×3，代替一个大核。
Q2：池化一定要用吗？
不一定。现代 CNN 有时用步长卷积（stride>1）代替池化来下采样，或者干脆不池化，靠全局平均池化（GAP）在最后降维。入门阶段先理解最大池化即可。
Q3：为什么 CNN 比拍扁的全连接网络更适合看图？
两个核心原因：参数共享（同一个卷积核在图上各处复用，参数量少）和局部连接（只看邻域，符合图像局部相关性的特点）。
⚠️ 新手翻车现场
翻车一：算错输出尺寸
输入 5×5，卷积核 3×3，不补边，步长 1
错误：认为输出还是 5×5
正确：输出 = 5 - 3 + 1 = 3，是 3×3
修正：记住公式 输出 = 输入 - 核 + 1（不补边、步长 1 时）。
翻车二：池化后以为尺寸不变
最大池化 2×2 会把每块 4 个数压成 1 个，尺寸减半。输入 4×4 → 输出 2×2，不是 4×4。
🎯 什么时候用 CNN
- 图像分类（猫/狗、病灶/正常、缺陷/良品）
- 物体检测（图里有什么，在哪里）
- 图像分割（哪些像素属于猫）
- 任何"图像输入"的深度学习任务
📝 本章小结
- 不拍扁图片，用小窗（卷积核）在图上扫，得到特征图
- 卷积核是可学习的参数，不同核识别不同特征（边缘、纹理、形状）
- 池化做缩略图，减小数据量、保留关键信息
- 层层堆叠：浅层认线条，中层认零件，深层认物体
- 记忆口诀：卷积扫图找特征，池化缩图留重点；层层堆叠，从线到零件再到猫。
动手改
- 数一数：5×5 的图用 3×3 卷积核扫一遍（不补边），输出特征图是几乘几？
- 把上面 4×4 输入的最后一行改成
2 8 6 0，重新手算最大池化的输出 - 用一句话向朋友解释：为什么 CNN 比拍扁的全连接网络更适合看图？
下一章：用预训练模型识别图像，站在巨人的肩膀上认出 1000 种物体 🐸