CNN卷积神经网络结构框图详解：从数学原理到中文可视化实现

1次阅读

共计 2301 个字符，预计需要花费 6 分钟才能阅读完成。

1998 年诞生的 LeNet- 5 是首个成功应用于数字识别的 CNN 网络，其设计理念至今影响着现代深度学习架构。在 MNIST 数据集上，当全连接网络还停留在 95% 准确率时，LeNet- 5 通过交替的卷积层和池化层，直接将性能提升到 99.2%。这个经典案例揭示了理解 CNN 层级结构的三大核心价值：

参数效率：卷积核的局部连接特性使参数量比全连接网络减少 90%
平移不变性：共享权重机制让模型对目标位置变化更鲁棒
层次化特征提取：浅层捕捉边缘纹理，深层组合为高级语义特征

假设输入特征图 $X \in \mathbb{R}^{H\times W\times C_{in}}$，单个卷积核 $K \in \mathbb{R}^{k\times k\times C_{in}}$ 的运算可表示为：

$$Y_{i,j} = \sum_{m=0}^{k-1}\sum_{n=0}^{k-1}\sum_{c=0}^{C_{in}-1} X_{i+m,j+n,c} \cdot K_{m,n,c} + b$$

实际实现时通常会展开为矩阵乘法：

将输入局部区域 im2col 为 $(H’\times W’) \times (k^2C_{in})$ 矩阵
卷积核 reshape 为 $(k^2C_{in}) \times C_{out}$ 矩阵
通过 GEMM（通用矩阵乘法）加速计算

以 2×2 最大池化为例，梯度传播需记录最大值位置：

$$\frac{\partial L}{\partial X_{i,j}} = \begin{cases}
\frac{\partial L}{\partial Y_{m,n}} & \text{若} X_{i,j}=Y_{m,n} \
0 & \text{其他}
\end{cases}$$

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

fig, ax = plt.subplots(figsize=(12, 6))

# 绘制卷积层
ax.add_patch(Rectangle((0.1, 0.5), 0.2, 0.3, fill=None, edgecolor='blue'))
ax.text(0.2, 0.35, 'Conv2D\nkernel=3×3\nstride=1', ha='center')

# 绘制池化层
ax.add_patch(Rectangle((0.4, 0.55), 0.15, 0.2, fill=None, edgecolor='green'))
ax.text(0.475, 0.4, 'MaxPool\n2×2', ha='center')

# 添加维度标注
ax.annotate('28×28×1', xy=(0.05, 0.65), xytext=(0.05, 0.8), 
            arrowprops=dict(arrowstyle='->'))
ax.annotate('26×26×32', xy=(0.3, 0.65), xytext=(0.3, 0.8), 
            arrowprops=dict(arrowstyle='->'))

import numpy as np
from matplotlib.animation import FuncAnimation

fig, axes = plt.subplots(1, 3)

def update(frame):
    for i, ax in enumerate(axes):
        ax.clear()
        # 模拟不同层的特征图变化
        ax.imshow(np.random.rand(28,28)*frame/30, cmap='viridis')
        ax.set_title(f'Layer {i+1}')

ani = FuncAnimation(fig, update, frames=30, interval=200)
plt.show()

输出尺寸公式为：

$$H_{out} = \left\lfloor\frac{H_{in} + 2p – k}{s}\right\rfloor + 1$$

易错点：