第九章：卷积神经网络（CNN）

学习目标

理解CNN的定义及其为什么适合处理图像
掌握卷积操作的原理和特征提取的层次性
理解池化层和全连接层的作用
了解经典CNN架构（AlexNet、VGG、ResNet等）
能够使用PyTorch构建简单的CNN模型

前置要求

第五章：深度学习概述（理解神经网络的基本结构和激活函数）。

CNN卷积神经网络架构概念图 — **图9-1** CNN卷积神经网络架构：卷积层、池化层与特征提取流程

CNN概述

CNN（Convolutional Neural Network，卷积神经网络）专门处理图像数据，能自动识别图像中的特征。它是图像识别、目标检测、人脸识别等视觉任务的核心技术。

为什么CNN适合处理图像？

图像是由像素组成的网格，相邻像素之间有关系（比如边缘是一条连续的线）。CNN能保留空间关系，不像传统方法把图像变成一串数字。它用"小窗口"扫描图像，就像人用眼睛逐区域观察一样。

CNN核心组件详解

1. 卷积层——特征提取的核心

卷积层是CNN最重要的部分。它使用滤波器（Filter/Kernel）在图像上滑动扫描，提取各种特征。

滤波器是什么？

滤波器是一个小矩阵（比如3×3），里面放着不同的数字权重。
• 边缘滤波器：能检测图像中的线条和边缘
• 纹理滤波器：能识别特定的纹理模式
• 颜色滤波器：能检测特定的颜色分布

一个卷积层可能有几十到几百个不同的滤波器，每个学习识别一种特征。

卷积操作的原理

想象你有一个小窗口（3×3像素），在图像上从左到右、从上到下滑动：

定位：窗口放在图像的某个位置
计算：窗口内的像素值与滤波器权重相乘，然后求和
输出：得到一个新的数值（特征值）
移动：窗口向右移动一格，重复上述过程
完成：扫描完整个图像，生成一张"特征图"

输入图像
（224×224像素）

→

卷积层
（多个滤波器扫描）

→

特征图
（每张对应一种特征）

卷积操作的Python/NumPy代码示例

import numpy as np

# 简单的5x5输入图像（灰度）
image = np.array([
    [10, 10, 10,  0,  0],
    [10, 10, 10,  0,  0],
    [10, 10, 10,  0,  0],
    [ 0,  0,  0, 10, 10],
    [ 0,  0,  0, 10, 10]
], dtype=float)

# 3x3边缘检测滤波器（水平边缘）
kernel = np.array([
    [-1, -1, -1],
    [ 0,  0,  0],
    [ 1,  1,  1]
], dtype=float)

# 手动实现2D卷积
def conv2d(image, kernel):
    ih, iw = image.shape
    kh, kw = kernel.shape
    oh, ow = ih - kh + 1, iw - kw + 1
    output = np.zeros((oh, ow))
    for i in range(oh):
        for j in range(ow):
            region = image[i:i+kh, j:j+kw]
            output[i, j] = np.sum(region * kernel)
    return output

result = conv2d(image, kernel)
print("卷积结果（特征图）：")
print(result)
# 输出: 检测到水平边缘的位置会有较大数值

特征提取的层次性

层数	提取的特征	例子
浅层（第1-2层）	基础视觉元素	边缘、线条、简单颜色块
中层（第3-5层）	形状和部件	圆形、方形、眼睛形状、轮子形状
深层（第6-N层）	完整物体	人脸、汽车、猫、狗的整体形态

实例：CNN如何识别一张猫的照片

第1层卷积：检测到边缘线条 → 发现猫轮廓的边界
第2层卷积：检测到形状 → 发现圆形的眼睛、三角形的耳朵
第3层卷积：检测到部件 → 眼睛+耳朵+胡须的组合
第4层卷积：检测到整体 → "这像是猫的脸"
全连接层：综合判断 → 输出"这是猫（概率98%）"

2. 池化层——降维与关键特征保留

池化层的作用是缩小特征图的尺寸，同时保留最重要的特征信息。

为什么需要池化？

• 减少计算量：特征图太大，计算成本高
• 防止过拟合：去除过多细节，保留核心特征
• 增强鲁棒性：即使图像稍微移动、缩放，关键特征仍能被识别

常见池化方式

池化类型	原理	特点
最大池化（Max Pooling）	在区域内取最大值	保留最强特征，最常用
平均池化（Average Pooling）	在区域内取平均值	保留整体趋势，较平滑

3. 全连接层——最终分类决策

全连接层将前面提取的所有特征综合起来，做出最终判断。

接收输入：来自最后一层卷积/池化的特征
综合判断：将所有特征"投票"决定类别
输出结果：每个类别的概率值（如：猫90%、狗5%、鸟5%）

输入图像

→

卷积层
（多次）

→

池化层
（穿插）

→

全连接层

→

输出分类

著名CNN架构

架构	年份	特点	贡献
AlexNet	2012	8层，首次使用ReLU	开启深度学习时代
VGG	2014	16-19层，结构简洁	证明层数深效果好
ResNet	2015	残差连接，突破100层	解决深层网络训练难问题
YOLO	2016	实时目标检测	速度与精度平衡

CNN的局限

• 主要处理图像，不适合序列数据（文本、语音）
• 对图像旋转、翻转敏感（需要数据增强）
• 需要大量标注数据训练
• 计算资源需求较大

使用PyTorch构建简单CNN

下面展示如何用PyTorch构建一个用于图像分类的简单CNN：

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleCNN(nn.Module):
    """简单的CNN模型，用于手写数字识别（MNIST）"""

    def __init__(self):
        super(SimpleCNN, self).__init__()
        # 第一个卷积层：1通道输入，32个滤波器，3x3窗口
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)
        # 第二个卷积层：32通道输入，64个滤波器
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)
        # 全连接层
        self.fc1 = nn.Linear(64 * 7 * 7, 128)  # 28x28图像经过两次池化后为7x7
        self.fc2 = nn.Linear(128, 10)             # 10个类别（数字0-9）
        # Dropout层防止过拟合
        self.dropout = nn.Dropout(0.25)

    def forward(self, x):
        # 第一层：卷积 → ReLU → 最大池化
        x = F.relu(self.conv1(x))      # 输出: 32 x 28 x 28
        x = F.max_pool2d(x, 2)         # 输出: 32 x 14 x 14

        # 第二层：卷积 → ReLU → 最大池化
        x = F.relu(self.conv2(x))      # 输出: 64 x 14 x 14
        x = F.max_pool2d(x, 2)         # 输出: 64 x 7 x 7

        # 展平为一维向量
        x = x.view(-1, 64 * 7 * 7)     # 输出: 3136

        # 全连接层 + Dropout
        x = F.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)                # 输出: 10（各类别得分）

        return x

# 创建模型实例
model = SimpleCNN()
print(f"模型参数总量: {sum(p.numel() for p in model.parameters()):,}")
# 输出: 模型参数总量: 540,850

# 模拟前向传播
dummy_input = torch.randn(1, 1, 28, 28)  # 批量大小1，1通道，28x28图像
output = model(dummy_input)
print(f"输出形状: {output.shape}")  # 输出: torch.Size([1, 10])