第三章 经典机型巡检档案
第三章 · 经典机型巡检档案
本章要回答的三个问题：卷积、激活、池化这三样工位，是怎么被六代机型一步步排出如今的面貌？每一代机型到底解决了上一代的哪个瓶颈——深度上不去、参数下不来，还是算力吃不消？今天做项目时，凭什么依据挑骨架？本章像翻档案柜：六份机型报告各配结构账目与代码，读完你能把任何 CNN 架构图翻译成第二章的巡检单。
为什么会有这一章
第二章的 TinyCNN 是台完美的教学机，但它只有两层卷积——真实世界的问题很快会逼你回答：为什么不能无限加深？为什么有的网络参数上亿、有的只有几百万？这些问题的答案不在论文的公式里，而在演化史里。每一代经典机型的诞生都对应一个具体瓶颈：LeNet-5 证明了流水线可行，AlexNet 把它推上大规模战场，VGG 用极简主义把深度推高，GoogLeNet 用并行分拣把参数砍掉一个数量级，ResNet 用残差跳线解锁了上百层，MobileNet 一族把整条流水线塞进手机。
按瓶颈读架构，比按年份背名字有效得多。每份机型报告都采用同一套读法：它继承什么、瓶颈是什么、关键改动是什么、参数量怎么变化。读完六份，你看新论文里的结构图时，眼睛会自动去找"它解决的是哪一格瓶颈"。
读完能解决什么
- 手算 LeNet-5 的 61,706 个参数都在哪几层，理解"分类头占大头"的病根从第一代就埋下；
- 说出 AlexNet 的四项关键改动（ReLU、Dropout、GPU 训练、数据增强）各对应什么瓶颈；
- 论证"两层 3×3 等效视野 5×5 还更省参数"，并复算 VGG-16 的 1.38 亿参数构成；
- 解释 Inception 的多尺度并行与 1×1 降维，算出一组典型配置省多少参数；
- 实现 ResNet 的残差块，解释恒等捷径为何能让上百层网络正常训练；
- 用乘加账目证明深度可分离卷积约省八成算力，说清 MobileNet 的适用边界。
各节怎么分工
| 节号 | 机型 | 年代坐标 | 关键词 |
|---|---|---|---|
| 3.1 | LeNet-5 | 1998 | 首套完整流水线，手写数字 |
| 3.2 | AlexNet | 2012 | 深度学习引爆点，ReLU 与 Dropout |
| 3.3 | VGG | 2014 | 全 3×3 极简堆深 |
| 3.4 | GoogLeNet | 2014 | Inception 多尺度并行 |
| 3.5 | ResNet | 2015 | 残差跳线，百层可训 |
| 3.6 | MobileNet 一族 | 2017 起 | 深度可分离，端侧部署 |
机型谱系一览
图 3-1 六代机型演化时间线
翻档案前的自测
其一：VGG 的 1.38 亿参数里卷积占多少？答：约一成，大头全在全连接——"重的其实是分类头"是贯穿全章的主判词。其二：GoogLeNet 靠什么把参数压到 VGG 的二十分之一？答：大核支线入口的 1×1 降维加全局平均池化分类头。其三：深层普通网络训练误差反升，是过拟合吗？答：不是，训练误差自己变差说明是优化失灵，这正是残差跳线的靶子。三问三答都对，本章读起来就是六份按图索骥的验收报告；答不上，先回第二章把公式捡起来。
先决条件
- 第二章必须先读：本章所有账目都使用 2.1、2.2 节的参数公式与尺寸公式；
- 知道"过拟合"这个词的大概意思（4.6 节会正式讲），不影响读 3.2 节的 Dropout 段落；
- 不需要读过原始论文，每份机型报告都把动机讲在结构之前。
往下走到哪
档案翻完，你会发现六代机型其实是同一座主车间的六次改扩建：工位没换过，换的是排布方式与省料手法。第四章转向"质检与回炉"——这些流水线当年是怎么被训练到位的，以及你今天该如何复用它们的权重。