引言

传统的多层感知机（MLP）在处理图像数据时存在明显局限：它将图像展平为一维向量，忽略了空间结构信息，导致参数量巨大，计算效率低下。例如，一张3600万像素的RGB图像输入仅含100个神经元的单隐藏层MLP，就会产生36亿个参数，远超实际需求。

卷积神经网络的提出

CNN通过共享参数机制和池化操作显著降低了参数量，同时保留了图像的空间结构信息。其设计基于两个关键原则：

1. 平移不变性：无论目标出现在图像何处，网络都应具有相似的反应。

2. 局部性：网络应优先关注局部区域，而非远距离像素之间的关系。

卷积层与池化层

卷积层

• 通过卷积核与输入进行交叉相关运算，加上偏置后输出。

• 卷积核和偏置是可学习参数，核大小为超参数。

• 支持多通道输入（如RGB图像），每个通道有独立的卷积核，结果求和。

填充与步幅

• 填充：在输入周围添加行/列（通常为0），控制输出尺寸。

• 步幅：控制卷积核滑动的步长，可大幅减小输出尺寸。

池化层

• 最大池化：提取局部区域的最大值，增强特征不变性。

• 平均池化：取局部区域的平均值，平滑特征响应。

经典网络架构

LeNet

• 最早用于手写数字识别的CNN架构。

• 包含两个卷积层和三个全连接层。

• 使用5×5卷积核和Sigmoid激活函数。

AlexNet

• 2012年ImageNet竞赛冠军，标志着计算机视觉的范式转变。

• 主要改进：

  • 使用ReLU激活函数缓解梯度消失。

  • 引入Dropout防止过拟合。

  • 采用最大池化和数据增强技术。

• 结构更深，包含5个卷积层和3个全连接层。

VGG

• 通过堆叠多个VGG块（3×3卷积 + 2×2最大池化）构建更深的网络。

• 代表性架构如VGG-16、VGG-19，强调“更深更窄”的设计理念。

• 使用重复的卷积块提升特征提取能力。

表示学习与视觉分层理论

CNN能够自动学习层次化的特征表示：

• 底层：边缘、颜色、斑块。

• 中层：纹理、形状。

• 高层：语义特征（如眼睛、文字）。

这种分层抽象能力使得CNN在图像识别、目标检测等任务中表现出色。

总结

CNN通过卷积、池化、参数共享等机制，有效解决了图像处理中的维度灾难和结构信息丢失问题。从LeNet到AlexNet再到VGG，网络结构不断加深，性能持续提升，奠定了现代深度计算机视觉的基础。尽管如今已有更先进的架构（如ResNet、Transformer），CNN仍然是理解深度学习视觉处理的重要起点。