卷积层计算原理：神经网络的眼睛

卷积层，说白了就是让神经网络学会「看东西」。我刚开始接触这个概念时，总觉得它很玄乎。后来做了几个项目才明白，它其实就是一种特殊的数学运算。

想象一下，你拿一个小窗口在图片上滑动。每滑到一个位置，就把窗口里的像素值和窗口本身的权重做乘法，然后求和。这个窗口，我们叫它「卷积核」或「滤波器」。

卷积运算的数学本质

公式其实很简单：

输出特征图(i,j) = Σ Σ 输入图像(i+m, j+n) × 卷积核(m,n) + 偏置

嗯，这里要注意，卷积核的尺寸通常是奇数，比如3×3、5×5。为什么？因为奇数有中心点，方便对齐。我在项目中遇到过用偶数核的情况，结果边界处理特别麻烦，后来就再也没用过。

三个关键参数

做卷积时，有三个参数你得心里有数：

• 步长（Stride）：窗口每次移动的像素数。步长越大，输出越小。
• 填充（Padding）：在输入周围补一圈0。我习惯用「same padding」，让输出尺寸和输入一致。
• 通道数：输入有几个通道，卷积核就得有几个通道。输出通道数等于卷积核的个数。

一个简单的例子

假设输入是32×32的灰度图，用6个5×5的卷积核，步长1，填充2。那么输出就是32×32×6的特征图。你看，尺寸没变，但通道数从1变成了6。

为什么会这样？因为每个卷积核都在提取不同的特征。有的核提取边缘，有的核提取纹理，有的核提取颜色变化。你想想看，这不就是人眼的工作方式吗？

池化层作用：降维打击

池化层，我更喜欢叫它「压缩层」。它的任务很简单：把特征图变小，同时保留最重要的信息。

两种主流池化方式

池化类型	操作方式	适用场景
最大池化	取窗口内的最大值	边缘检测、纹理识别
平均池化	取窗口内的平均值	背景平滑、整体特征

我个人习惯用最大池化。为什么？因为神经网络对「有没有这个特征」更敏感，而不是「特征有多强」。最大池化正好能保留最显著的特征。

池化的好处

• 减少计算量：特征图变小了，后续层的计算量指数级下降。
• 防止过拟合：参数少了，模型不容易记住噪声。
• 平移不变性：物体稍微移动一点，池化后的结果变化不大。

嗯，这里要注意，池化层没有可学习的参数。它就是个固定的操作，你不需要训练它。

经典网络结构简析：从LeNet到AlexNet

说到经典网络，我第一个想到的就是LeNet。1998年Yann LeCun提出的，用来识别手写数字。别看它简单，该有的组件一个不少。

LeNet-5：祖师爷级别的网络

LeNet的结构是这样的：

输入(32×32) → 卷积(6@28×28) → 池化(6@14×14) → 
卷积(16@10×10) → 池化(16@5×5) → 全连接(120) → 
全连接(84) → 输出(10)

你看，它用了两个卷积-池化对，然后接三个全连接层。输出10个节点，对应0-9十个数字。

我记得第一次在FPGA上实现LeNet时，整个网络只有6万个参数。现在的网络动辄上亿，想想真是感慨。

AlexNet：深度学习爆发的导火索

2012年，AlexNet在ImageNet上大杀四方，把错误率从26%降到了15%。它比LeNet深得多，也大得多。

特性	LeNet	AlexNet
层数	5层	8层
参数数量	6万	6000万
激活函数	Sigmoid	ReLU
训练技巧	无	Dropout、数据增强

AlexNet有几个关键创新：

• ReLU激活函数：解决了梯度消失问题，训练速度快了好几倍。
• Dropout：随机丢弃一些神经元，防止过拟合。我刚开始用的时候总觉得不靠谱，后来发现真香。
• 重叠池化：池化窗口有重叠，效果比不重叠好一点点。

从LeNet到AlexNet的启示

你想想看，从1998到2012，14年时间。网络变深了，参数变多了，但核心思想没变：卷积提取特征，池化压缩信息，全连接做分类。

我在做嵌入式加速器设计时，经常参考这两个网络。LeNet适合资源受限的场景，AlexNet适合追求精度的场景。具体选哪个，得看你的硬件预算和任务要求。

嗯，最后说一句。这两个网络虽然老了，但它们是理解CNN的基石。我建议你把它们的结构画出来，手算一遍每层的尺寸变化。相信我，做完这一步，你对CNN的理解会上一个台阶。