深度学习基础回顾：张量操作、自动求导机制、卷积神经网络（CNN）核心概念、感受野与特征图、PyTorch构建简单CNN

各位同学，欢迎来到第二章。说实话，每次开新课讲到这部分，我都有点感慨。很多同学一上来就急着调YOLO，结果连张量是啥都搞不清楚，跑通了也不知道为什么。嗯，今天咱们就把地基打牢。

我个人习惯是，不管多忙，每接触一个新框架，先花半小时把张量操作和自动求导摸一遍。这半小时，能帮你省下后面几十个小时的debug时间。你想想看，是不是这个道理？

2.1 张量操作：深度学习的基本单元

张量，说白了就是多维数组。0维是标量，1维是向量，2维是矩阵，3维以上统称张量。在PyTorch里，一切数据都是张量。

我在项目中遇到过最典型的坑：图像数据读进来是H×W×C（高度、宽度、通道），但PyTorch要求C×H×W。很多人直接送进网络，报错半天找不到原因。后来我养成了一个习惯——拿到数据先打印shape。

核心操作速查：

  • torch.tensor()：创建张量
  • .shape 或 .size()：查看形状
  • .reshape() 或 .view()：改变形状
  • .permute()：维度重排（比如HWC→CHW）
  • torch.cat()：拼接张量
import torch

# 创建一个3x4的随机张量
x = torch.randn(3, 4)
print(x.shape)  # torch.Size([3, 4])

# 改变形状为2x6
y = x.reshape(2, 6)
print(y.shape)  # torch.Size([2, 6])

# 维度重排：假设是图像数据 HWC -> CHW
img_hwc = torch.randn(224, 224, 3)
img_chw = img_hwc.permute(2, 0, 1)
print(img_chw.shape)  # torch.Size([3, 224, 224])

我的小技巧：调试时多用 .shape 打印形状。我曾经因为一个维度没对齐，整整查了两小时。从那以后，每个关键操作后面我都加一句 print(x.shape)。

2.2 自动求导机制：PyTorch的灵魂

为什么PyTorch这么火？自动求导功不可没。你只需要定义好前向计算，反向传播的梯度它会自动帮你算。

核心就两个东西：requires_grad 和 backward()。你设置某个张量需要梯度，PyTorch就会记录所有对它的操作，形成一个计算图。然后你调用 .backward()，它就从输出往输入反向传播梯度。

# 一个简单的例子：y = x^2，求dy/dx
x = torch.tensor(3.0, requires_grad=True)
y = x ** 2
y.backward()
print(x.grad)  # tensor(6.0) 因为 dy/dx = 2x = 6

你想想看，如果让你手动推导一个50层网络的梯度，是不是头皮发麻？自动求导就是帮你干这个苦力活的。

注意：每次反向传播后，梯度会累积。如果你在循环里训练，记得调用 optimizer.zero_grad() 清空梯度。我曾经忘了这步，结果loss越跑越大，还以为模型坏了。

2.3 卷积神经网络（CNN）核心概念

CNN的核心就三件事：卷积、池化、激活。说白了，卷积负责提取特征，池化负责压缩信息，激活负责引入非线性。

卷积层：用一个小窗口（卷积核）在图像上滑动，每个位置做点积。不同的卷积核提取不同的特征——有的检测边缘，有的检测纹理，有的检测形状。

池化层：最常见的是最大池化，取窗口内的最大值。它的作用是降维，减少计算量，同时让模型对微小位移不那么敏感。

激活函数：ReLU（线性整流单元）是标配。公式很简单：f(x) = max(0, x)。它解决了梯度消失问题，让深层网络也能训练。

一个典型的CNN结构：

输入图像 → 卷积 → ReLU → 池化 → 卷积 → ReLU → 池化 → 全连接层 → 输出

我在项目中遇到过一个问题：网络层数越深，参数量越大，但效果反而变差。后来发现是梯度消失了。解决办法就是加残差连接（ResNet的思路），这个后面YOLO部分会详细讲。

2.4 感受野与特征图

感受野，简单说就是特征图上的一个点，对应到原始图像上的区域有多大。你想想看，浅层网络的感受野小，只能看到局部细节；深层网络的感受野大，能看到全局语义。

举个例子：一个3×3的卷积核，感受野就是3×3。如果再叠一个3×3的卷积，感受野就变成了5×5。所以网络越深，感受野越大。

网络层数 卷积核大小 感受野大小
第1层 3×3 3×3
第2层 3×3 5×5
第3层 3×3 7×7

特征图就是卷积后的输出。它的尺寸由输入尺寸、卷积核大小、步长、填充共同决定。公式很简单：

输出尺寸 = (输入尺寸 - 卷积核大小 + 2 * 填充) / 步长 + 1

比如输入224×224，卷积核3×3，步长1，填充1，输出还是224×224。这就是「same卷积」，保持尺寸不变。

避坑指南：我曾经设计一个网络，特征图尺寸越卷越小，到后面只剩1×1了，根本没法做检测。后来我学会了用填充来保持尺寸，或者用步长2来有控制地降采样。

2.5 PyTorch构建简单CNN

好了，理论讲完了，咱们动手写一个。用PyTorch的 nn.Module 来定义网络，这是最标准的方式。

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        # 卷积层：输入通道3（RGB），输出通道16，卷积核3x3
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        # 池化层：2x2最大池化
        self.pool = nn.MaxPool2d(2, 2)
        # 第二个卷积层：输入16，输出32
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        # 全连接层：输入32*56*56，输出10个类别
        self.fc = nn.Linear(32 * 56 * 56, 10)

    def forward(self, x):
        # 卷积 -> 激活 -> 池化
        x = self.pool(F.relu(self.conv1(x)))
        # 再次卷积 -> 激活 -> 池化
        x = self.pool(F.relu(self.conv2(x)))
        # 展平
        x = x.view(-1, 32 * 56 * 56)
        # 全连接层
        x = self.fc(x)
        return x

# 创建模型
model = SimpleCNN()
print(model)

# 测试前向传播
dummy_input = torch.randn(1, 3, 224, 224)
output = model(dummy_input)
print(output.shape)  # torch.Size([1, 10])

这段代码我建议你亲手敲一遍。注意 forward 函数里的数据流：从224×224的RGB图像，经过两次卷积+池化，变成56×56×32的特征图，然后展平成一维向量，最后通过全连接层输出10个类别的分数。

关键点总结：

  • nn.Conv2d：定义卷积层，参数是输入通道、输出通道、卷积核大小
  • nn.MaxPool2d：定义池化层，参数是窗口大小和步长
  • F.relu：激活函数，在forward里调用
  • .view()：展平操作，把多维特征图变成一维向量

嗯，到这里，深度学习的基础就回顾完了。你可能觉得这些内容很简单，但相信我——后面YOLO的源码里，张量操作和卷积计算会反复出现。把今天的内容吃透，后面你会轻松很多。

下一章，咱们开始正式进入YOLO的世界，从数据标注讲起。到时候你会发现，今天学的这些，全都能用上。

← 上一章 📖 返回目录 下一章 →