2. 卷积神经网络基础

各位同学，咱们今天聊聊卷积神经网络（CNN）的基石。说实话，这东西我刚开始学的时候也觉得抽象，但后来做项目多了才发现，理解透这几个基础模块，比背一百个网络结构都管用。

先看一张整体结构图，帮你建立直觉：

1.1 卷积层——特征提取的"扫描仪"

卷积层是CNN的灵魂。说白了，它就是用一个小窗口（卷积核）在图像上滑动，每次做一次点积运算。我习惯把卷积核想象成一个"特征探测器"——有的核负责检测边缘，有的检测纹理，有的检测颜色变化。

输出特征图尺寸 = (输入尺寸 - 卷积核尺寸 + 2×填充) / 步长 + 1

我在项目中遇到过一个问题：刚开始做图像分类时，我直接用了7×7的大卷积核，结果模型参数爆炸，训练慢得要命。后来换成3×3堆叠，效果反而更好。嗯，这里要注意——小卷积核堆叠比大卷积核更高效，这是VGG网络给我的启发。

1.2 池化层——降维的艺术

池化层干的事很简单：压缩特征图。你想想看，一张224×224的图像经过卷积后还是224×224，计算量太大了。池化层就像给特征图"瘦身"。

常用的有两种：

• 最大池化（Max Pooling）：取窗口内的最大值。我一般用2×2窗口，步长2，这样尺寸直接减半。
• 平均池化（Average Pooling）：取窗口内的平均值。适合保留整体信息。

为什么会这样？因为最大池化对纹理和边缘更敏感，而平均池化会"抹平"细节。我曾经在一个人脸识别项目中，因为用了平均池化导致识别率下降3个点，换成最大池化后立刻回升。

1.3 全连接层——决策者

全连接层（FC）就是传统的神经网络层。每个神经元和上一层的所有神经元相连。它的作用是把卷积和池化提取到的"局部特征"整合成"全局特征"，然后做分类或回归。

但说实话，全连接层有个大问题——参数太多。一个1024维的输入接一个1024维的FC层，光这一层就有100多万个参数。所以现在很多网络（比如MobileNet）都用全局平均池化代替FC层，参数少得多。

1.4 感受野——神经元在看多大范围？

感受野这个概念，说白了就是"输出特征图上的一个点，对应输入图像上的多大区域"。你想想看，一个3×3的卷积核，感受野就是3×3。但如果堆叠两个3×3卷积，感受野就变成了5×5。

为什么重要？因为感受野决定了网络能"看到"多大的上下文。做语义分割时，感受野太小，大物体就分不完整；感受野太大，小物体又容易被忽略。

看到没？同样的感受野，3层3×3卷积的参数量只有1层7×7的一半多。这就是为什么现代网络偏爱小卷积核堆叠。

1.5 参数共享——CNN的"偷懒"智慧

参数共享是CNN最巧妙的设计之一。什么意思？就是一个卷积核在整个图像上滑动时，它的权重是不变的。你想想看，如果每个位置都用不同的权重，那参数量就爆炸了。

举个例子：一张224×224的RGB图像，如果用3×3卷积核，输出64个通道。如果不共享参数，参数量是：224×224×3×3×3×64 ≈ 8.6亿。共享参数后：3×3×3×64 = 1728。差了50万倍！

我个人觉得，参数共享是CNN能成功的关键之一。它让网络在参数量可控的情况下，学到空间不变的特征。我在做目标检测时，经常利用这个特性——用一个卷积核检测"猫耳朵"，不管猫在图像左边还是右边，都能检测到。

1.6 小结

好了，这一章的内容就这些。总结一下：

• 卷积层：用卷积核提取局部特征，参数共享让计算高效
• 池化层：降维，减少计算量，防止过拟合
• 全连接层：整合全局特征，做最终决策
• 感受野：决定网络能看到多大范围，小卷积核堆叠更高效
• 参数共享：CNN的"偷懒"智慧，让模型轻量化

这些基础概念，你理解透了，后面学MobileViT、多尺度特征融合就会轻松很多。记住，别急着跑，先把地基打牢。