卷积神经网络 CNN：如何看懂一张图

让计算机看懂照片，是深度学习最早取得的重大突破之一。卷积神经网络用一块块小窗口在图像上滑动，先找边缘、再拼形状、最后识别物体。本文讲清卷积、池化与层级特征的直观含义，以及它的转折点。

用小窗口扫描图像

如果让全连接网络处理一张照片，每个像素都要连到下一层的每个神经元，参数数量会大到难以承受。卷积网络换了个思路：不再全局连接，而是用一个小小的窗口在图像上滑动，每停一处就做一次加权求和，得到一个新数值。整张图扫完，就得到一张新的特征图。

关键在于，这个窗口的参数是共享的。无论它滑到左上角还是右下角，用的都是同一组权重。这意味着网络学到的是某种样子，而不是某个位置有某种样子——目标出现在画面左边还是右边，都能被同样的窗口捕捉到。参数量因此被压缩了几个数量级。

从边缘到语义的层级

把许多窗口叠在一起，第一层可能各自对横线、竖线、斜边或某种色块有反应。再往上一层，这些简单反应被组合成拐角、圆弧、纹理；继续往上，逐渐出现对眼睛、车轮、笔画这类有语义结构的响应。层次越深，视野越大，抽象程度也越高。

这种层层递进很像视觉系统的处理方式：先有局部细节，再拼出整体。正因为如此，训练好的卷积网络中间层常常可以直接拿来用——把分类网络的前面几层接在新任务上，往往就能得到不错的通用特征提取器，这也是迁移学习在视觉领域格外流行的原因。

2012 年的转折点

卷积网络的思想由来已久，1998 年前后就有用于手写数字识别的经典网络问世，但受限于数据与算力，长期没能成为主流。2012 年，一个深度卷积网络在大规模图像识别比赛上大幅领先，此后它迅速成为视觉任务的标准配置，也重新点燃了整个领域的热情。

除了图像，卷积的思路还被搬到很多地方。只要数据具有局部结构和平移不变性——相邻的片段关系密切、模式出现在哪都算数——卷积就有用武之地，比如一段音频、一条时间序列，甚至一句话中的相邻词组。差别只在于窗口是在一维上滑，还是在平面上滑。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。