CNN 深度解析：图像识别的基石

教程导读 · 走进图像识别的流水线车间

一句话定位：这是一本带你逐站巡检卷积神经网络（CNN）的图像识别教程——沿着"入线检查、特征提取、机型档案、质检回炉、下游任务、巡检收尾"这条流水线，把一张图像变成识别结果的全过程讲透，适合有基础 Python 功底、想真正搞懂 CNN 内部机制的读者。

把随手拍下的照片递给模型，屏幕上几乎立刻给出答案：猫。人觉得轻而易举，机器却要把这张图拆成像素矩阵，送进看不见的车间——卷积核负责找边缘与纹理，激活函数决定信号放行还是掐断，池化层把图收小，全连接层汇总各方证据投票。车间里每道工序在算什么？为什么必须这样排布？尺寸和参数量怎么一路变化？这些问题的答案，就是本教程的主角：卷积神经网络（Convolutional Neural Network，CNN），现代图像识别当之无愧的基石。

这本教程解决什么问题

多数 CNN 资料分两种脾气：一种是论文式，公式从梯度一路推到损失，读完记住了符号忘了直觉；另一种是调包式，五行代码跑通猫狗分类，但问一句"卷积核到底在图上做了什么"就卡壳。两种都缺同一个东西——对流水线本身的巡检视角：数据从哪个口进来，每道工序改变它的什么，尺寸、参数量、计算量怎么逐站变化，出问题该去哪站查。

本教程把整册内容组织成一座图像识别工厂。你跟着一张 32×32 的 RGB 图像走完全程：它在入线检查口被读成张量，在主车间被卷积、激活、池化反复提炼，在经典机型的档案里见到六代流水线如何演化，在质检回炉区理解损失函数与反向传播如何让各工位协同，最后在下游车间看到同一条流水线如何支撑检测、分割与生成任务。全书数值载体刻意统一：所有张量形状、输出尺寸、参数量都给出可复算的过程，随手一验就能对上。

读完你会发现，CNN 不是一堆层的神秘堆叠，而是一套分工明确、可以逐站对账的流水线。理解了流水线，调参、排错、换结构就不再是玄学。

适合谁读

• 有 Python 基础、学过一点 PyTorch 或 TensorFlow 基本用法，想搞懂 CNN 内部机制的开发者；
• 上过机器学习入门课，被"卷积""感受野""批归一化"这些词糊过一脸的学生与转行者；
• 跑通过图像分类示例，但遇到尺寸不匹配、参数量爆炸、过拟合就手足无措的实战派；
• 需要向团队讲清楚 CNN 原理、却不想照搬论文公式的技术负责人。

零深度学习基础也能读：涉及梯度与反向传播的地方，教程都会先把直觉铺好再动笔。

学完你能做什么

1. 手算任意卷积层的输出尺寸与参数量，在搭网络前就知道每一层会把形状变成什么；
2. 说清卷积、激活、池化、全连接各工位的职责边界，以及它们为什么按这个顺序排布；
3. 复述 LeNet-5 到 ResNet、MobileNet 六代机型的结构动机与取舍，按场景挑对骨架；
4. 独立完成一次图像分类项目的全流程：数据准备、增强、训练、调参、评估、复盘；
5. 用迁移学习在小数据集上微调预训练模型，并给出训练前后的指标对比；
6. 读懂检测、分割、生成任务的输入输出形态，知道它们与分类流水线的异同。

图 0-1 全册知识地图

学习路线怎么走

地图上的主线只有一条：先弄清图像如何变成数据（第一章），再看流水线主车间怎么加工它（第二章），然后翻开六代机型的档案（第三章），进入让流水线学会看的训练区（第四章），最后出厂看看分类之外的世界（第五章）并做工程收尾（第六章）。第三章与第四章耦合较弱：赶时间的读者可以读完第二章直接跳第四章，回头再补机型档案；但第一章与第二章是全册地基，跳过它们后面处处卡壳。

每章开头用三个问题交代本章要解决的疑难点，结尾给出与下一章的接口。节与节之间的承接都写进了正文开头，你在任何一站下车休息，回来时都能从承接句找到线索。

怎么用这本教程

• 搭配环境读：建议装好 PyTorch，跟着正文里的小段代码亲手跑一遍形状与参数量，光看不练的巡检等于没巡；
• 先算后跑：每处形状计算都先自己推一遍，再对照代码输出，对不上就回头查公式；
• 按站取用：急需微调预训练模型的可直奔 4.7，排查训练毛刺的可直奔 4.5 与 4.6，各节开头都交代了前置依赖；
• 回归公式：全书反复使用导读末尾的两条对账公式，它们是 CNN 工程师的乘法口诀。