3.2 深度卷积神经网络

3.2 深度卷积神经网络

本节摘要：卷积神经网络（CNN）是今天所有主流人脸识别模型的骨架。本节把卷积、池化、全连接、残差这几块最基本的积木讲清楚，说明它们如何层层递进地从"边缘角度"一路抽象出"五官乃至整张脸的可分特征"，再交代为什么"越深反而会退化"、以及残差连接又如何两步破解。

从一张像素纸说起，网络自己决定看哪

把一张脸交给传统算法前，你得事先告诉它"看眼睛还是看颧骨"。深度学习换了个路子：别管我负责哪一块，我自己一层层地决定先看什么、再组合成什么。给一张脸的像素，第一层卷积像在描边缘——水平的、垂直的、倾斜的线条；再往上的层把边缘拼成小块——眼睛、鼻梁的局部；更后面把这些块拼成五官乃至整张脸的粗壮结构。网络越深，它能抽象到的特征越"高、越靠近人"，这个"味儿"到底是怎么一层层焗出来的，就是本节要解的事。

卷积层：局部的滑动扫描

卷积用一个可学习的"小窗口"（如 3×3 的核）在整张图上滑动，处处做点积求和，输出一张"谁在这个位置有这种局部模式"的特征图。一个核抓一种模式，几十上百个核并排放，就抓了几十上百种特征。关键在"权重共享"——同一个核在整图各位置复用，参数体积骤减，这正是 CNN 在当时算力下喂得动的道理。

你也许要问：为什么非要用卷积而不是全连接直接拍扁整张图？因为人脸识别要拿住"空间局部性"——眼睛这个模式在图像里的相对位置有意义，而一个核在滑动的过程中天然把"某个局部模式出现在哪个位置"编码进了特征图，全连接做不到这种平移性的高效表达。

池化层：降像素、稳位置

池化（常用最大池化）把相邻小块合并成一个代表值，作用是压缩空间尺寸、减少计算量，并让特征对"位置小幅移动、轻微形变"更钝感——脸稍微移了半个身位，特征仍大致对齐。

import numpy as np
def max_pool2x2(x):                       # 2x2 最大池化示意
    h, w = x.shape
    return x.reshape(h//2, 2, w//2, 2).max(axis=(1, 3))
x = np.array([[1, 3, 5, 2],
              [0, 8, 1, 4],
              [2, 6, 9, 1],
              [7, 0, 3, 5]])
print(max_pool2x2(x))                     # 输出 [[8,5],[7,9]]
​

全连接层：把特征拧成向量

经过若干卷积与池化，空间信息被提炼成高层的语义特征图，再接几层全连接把"图"压平、组合，最后一层输出分类置信度或（人脸识别里）一段嵌入向量。全连接就是把"看到了什么"翻译成"可比对的向量"的出口。注意人脸识别多数时候并不直接用最后一层分类输出，而是取它前一层的特征向量来当"签名"——这一点在工程实践里非常关键。

残差连接：深而不退化

直觉是"网络越深越准"，但现实给过一记重锤：层数堆到某个阈值后，训练误差不降反升——不是过拟合，而是前向传播中信息在逐层传递时衰减，梯度回传也变得不稳定。残差连接的对策很巧：让某几层学习"对输入板块的修正量"，把"上一层输出"直接短路加到"本层输出"上。这样即使本层学不到东西，信息也能顺着旁路直达下游，深层网络才第一次能练得动。ResNet 能做到上百层而不退化，靠的就是这一手。

为什么"短路加修正"有效？可以这样想：让一个子模块去学"恒等函数"（什么也不改变）本来很难，网络很容易在这个目标上失调；但用残差结构，网络只需把旁路权重学成 0，子模块就天然等于恒等映射——这个目标对梯度友好得多，深层堆叠因此不再让误差恶化。

一条表：四块积木各管什么

工程上的三条判断

• 主干越深表达力越强，但越吃算力、越易过拟合。ResNet 这类在"深"与"可用"之间的经典，是直接可复用的基准线。
• 人脸识别里更看重最后一层之前盘出的嵌入向量质量，所以常把分类头拿掉、用倒数第二层特征做比对签名——这是"用嵌入做识别"和"训练时顺手分类"的根本差别。
• 迁移学习是省钱捷径：用预训练主干微调，比从头练又快又稳，小数据场景基本必选迁移。扩展一句：换场景时优先冻结前几层只微调高层，收敛更快、也更不容易把预训练学到的通用特征抹掉。

看一张特征图，读懂网络"到底在看什么"

想真正搞懂 CNN，与其背概念，不如亲手把某层的特征图打出来看。取一张正脸图过一遍主干，挑出第一层卷积的几十张特征图，你会发现有的在描水平边缘、有的只在某个颜色通道响应、有的对眼睛特别敏感；再取倒数几层的特征图，它们往往已经很抽象，几乎看不出人脸形状，而是某种局部分块响应。这个观察能击穿一个常见误区：网络"各层负责的东西"不是人设计出来的，而是梯度自己长出来的——你给它的数据里如果总是亮背景、居中脸，它学到的特征也会偏向这些，这正是换场景要重训的原因。

主干怎么选：深浅、宽度与算力的三角

人脸识别主干的选择要在一个三角里取平衡：层数越深表达力越强但越吃算力、越难训；通道越宽（同样层数下参数更多）越能抓细节但也越贵；而你要跑的硬件只能扛住某一档。判断口诀很简单：先定"部署硬件能跑多深"，再在这个约束里挑最深、最准的那个。ResNet-50 一档是精度与速度的常见折中，轻量需求的 MobileFaceNet 则把精度让出来换体积和帧率。别一上来就堆最深的主干，除非你的硬件和数据都撑得住——否则训出来的模型要么跑不动，要么过拟合。

一个数据层面的坑：输入尺寸和归一化必须钉死

人脸识别对输入的口径极度敏感：训练时用 112×112 配某组均值方差，线上却用 96×96 或不同的归一化，特征就整体漂移，比对分数被系统性拉低。这比调卷积核更隐蔽。所以主干选型的一等大事，是把"输入分辨率＋预处理流水线（对齐模板、减均值、除方差）"作为不可改动的常量锁进配置，训练与部署严格复用同一套。很多"训练很好、上线退步"的案例，根子都在这条不被注意的口径上。

一句话直觉：CNN 的三板斧合起来是"卷积抓模式、池化稳位置、全连接出向量"，残差则让"更深"第一次变得可兑现。

网络底座搭好了。下一节把它的输出组织成"可分空间"——嵌入与度量学习，我们要解释特征到底该摆成什么形状。