CNN卷积神经网络结构框图详解：从原理到中文实践指南

1次阅读

共计 2099 个字符，预计需要花费 6 分钟才能阅读完成。

作为一名刚接触深度学习的新手，第一次看到 CNN（卷积神经网络）的结构框图时，完全被那些层层叠叠的方块和箭头搞晕了。特别是各种专业术语，比如卷积层、池化层、特征图，听起来就让人头皮发麻。经过一段时间的摸索和实践，我终于搞明白了 CNN 的核心结构和实现方法，今天就和大家分享一下我的学习笔记。

刚开始学深度学习时，我最先接触的是传统的全连接神经网络。这种网络在处理图像数据时有个致命缺点：参数量太大。举个例子，一张 100×100 像素的彩色图片，输入层就需要 3 万个神经元（100x100x3），如果再连接几个隐藏层，参数数量会爆炸式增长。

CNN 通过三个核心思想解决了这个问题：

局部感受野：每个神经元只连接输入图像的一小块区域
参数共享：同一层的所有神经元使用相同的权重（卷积核）
空间下采样：通过池化层逐步降低特征图的分辨率

一个典型的 CNN 结构框图可以分为以下几个部分（以 LeNet- 5 为例）：

 输入层 -> [卷积层 -> 激活函数 -> 池化层] x N -> 全连接层 -> 输出层

让我们用中文标注一个具体的例子：

输入层：32x32x1 的灰度图像（MNIST 手写数字）
卷积层 C1：使用 6 个 5 ×5 的卷积核，输出 6 个 28×28 的特征图
为什么是 28×28？因为 (32-5)/1 + 1 = 28
池化层 S2：2×2 最大池化，输出 6 个 14×14 的特征图
卷积层 C3：使用 16 个 5 ×5 卷积核，输出 16 个 10×10 的特征图
池化层 S4：2×2 最大池化，输出 16 个 5 ×5 的特征图
全连接层：将 400 个神经元（16x5x5）连接到 120 个神经元
输出层：10 个神经元对应 0 - 9 的数字分类

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

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        # 第一个卷积层：1 个输入通道，6 个输出通道，5x5 卷积核
        self.conv1 = nn.Conv2d(1, 6, 5)
        # 第二个卷积层：6 个输入通道，16 个输出通道，5x5 卷积核
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 全连接层
        self.fc1 = nn.Linear(16*5*5, 120)  # 为什么是 16*5*5？见上面的维度计算
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # 第一组卷积 + 激活 + 池化
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))  # 池化窗口 2x2
        # 第二组卷积 + 激活 + 池化
        x = F.max_pool2d(F.relu(self.conv2(x)), (2, 2))
        # 展平特征图用于全连接层
        x = x.view(-1, self.num_flat_features(x))
        # 全连接层
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # 去掉 batch 维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

# 实例化网络
net = LeNet()
print(net)

常见误区：认为卷积核越大越好
实际情况：3×3 卷积核最常用，可以通过堆叠多个小卷积核来获得与大卷积核相同的感受野，同时参数更少

ReLU 是最常用的激活函数，但要小心 ” 死亡 ReLU” 问题（神经元永远不激活）
可以在全连接层后使用 Dropout 防止过拟合

MNIST：手写数字识别，最适合入门
CIFAR-10：10 类彩色小图像
ImageNet：大规模图像分类（适合进阶）

TensorBoard：PyTorch 内置的可视化工具
Netron：网络结构可视化工具
特征图可视化代码示例：

import matplotlib.pyplot as plt

# 获取第一层卷积后的特征图
conv1 = net.conv1
output = conv1(input_image)

# 可视化第一个特征图
plt.imshow(output[0, 0].detach().numpy(), cmap='gray')
plt.show()

为什么现代 CNN（如 ResNet）都使用大量 3 ×3 卷积核？
池化层在 CNN 中真的是必需的吗？有没有可以替代池化的方法？
如何解释 CNN 中间层学习到的特征？

经过这段时间的学习，我深刻体会到 CNN 的强大之处在于它能够自动学习图像的多层次特征。从最初只能识别边缘的低层特征，到能够识别物体部件的中层特征，再到能够识别整个物体的高层特征，CNN 的这种层次化特征提取能力让它成为计算机视觉领域的基石模型。建议初学者一定要动手实现一个简单的 CNN，观察每一层的输出变化，这对理解 CNN 的工作原理非常有帮助。

正文完