卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Network，简称 CNN）是一种包含卷积计算的前馈神经网络，其神经元只响应输入的一部分局部区域，擅长自动提取图像中的空间特征，是深度学习在图像处理领域最经典、应用最广的架构之一。

概述

传统神经网络把图片摊平成一长串数字来处理，既丢失了像素之间的空间关系，参数量也会爆炸。CNN 的设计灵感来自生物视觉皮层：每个神经元只「看」画面中的一小块区域（局部感受野），再逐层把边缘、纹理等低级特征组合成轮廓、部件乃至完整物体的高级特征，从而高效地理解图像。

CNN 的奠基性工作以 Yann LeCun 提出的 LeNet 为代表，早期被用于手写数字识别。2012 年，AlexNet 在大规模图像识别竞赛中以显著优势夺冠，让 CNN 一举成为计算机视觉的主流方法，也点燃了这一轮深度学习浪潮。如今人脸识别、医学影像分析、自动驾驶感知等场景背后都有它的身影。

核心结构

• 卷积层：用可学习的卷积核在图像上滑动扫描，提取边缘、纹理等局部特征，是 CNN 的核心。
• 池化层：对特征图进行降采样（如取局部最大值），缩小数据规模，让网络对物体的轻微位移不敏感。
• 全连接层：位于网络末端，把前面提取到的特征汇总，输出分类或预测结果。

主要特点

• 局部连接：神经元只连接输入的局部区域，符合图像「局部相关」的性质。
• 权值共享：同一个卷积核在整张图上重复使用，参数量远小于全连接网络，训练更容易。
• 平移不变性：物体在画面中位置变化时仍能被识别。
• 端到端学习：特征由网络自动学习，无需人工设计特征工程。

常见问题

问：CNN 和普通神经网络有什么区别？答：普通全连接网络的每个神经元与上一层全部相连，处理图像时参数巨大且忽略空间结构；CNN 通过局部连接和权值共享大幅减少参数，并保留了像素间的空间关系，更适合图像任务。

问：CNN 只能处理图像吗？答：不是。凡是具有局部结构的数据都适用，例如语音、文本序列（一维卷积）以及视频（三维卷积），只是图像是其最典型的应用场景。

问：CNN 会被 Transformer 取代吗？答：Vision Transformer 等新架构在不少视觉任务上表现优异，但 CNN 计算效率高、小数据集上更稳健，在移动端和嵌入式设备中依然广泛使用，两者目前是互补关系。