卷积神经网络

卷积神经网络（CNN）针对网格状数据（如图像）内置了两个核心假设：

• 局部性：邻近值先发生交互，远处值要经过更多层才能影响当前位置；
• 参数共享：同一个检测器（卷积核）在图像的不同位置复用。

这两个假设大幅削减了参数量，并赋予模型平移等变性：输入图像平移后，输出的特征图也会随之平移。注意，等变（Equivariance）不等于不变（Invariance）。池化、聚合、数据增强或任务设计可能带来一定的平移容忍度，但单纯的卷积操作本身不会让输出对平移保持不变。

互相关层

深度学习框架中所谓的“卷积”操作，底层实现的通常是互相关（Cross-Correlation）。对于输入 $\mathbf{X}$ 和卷积核 $\mathbf{V}$，计算公式如下：

$$H_{i,j,d} = b_d + \sum_a\sum_b\sum_c V_{a,b,c,d}\,X_{i+a,j+b,c}.$$

卷积核遍历所有输入通道 $c$，生成一个输出通道 $d$。多个卷积核并行工作，从而生成多张特征图。

在一维情况下，若卷积核宽度为 $k$、两侧填充为 $p$、步幅为 $s$，输出长度为：

$$\left\lfloor\frac{n+2p-k}{s}\right\rfloor+1.$$

高度和宽度的计算逻辑相同，独立进行。空洞卷积（Dilation）通过在卷积核元素间插入间隔来扩大感受野，从而改变有效卷积核大小。

查看清晰大图

高亮窗口在每个位置复用同一组核参数。左上角输出为 0×0 + 1×1 + 3×2 + 4×3 = 19，窗口滑动后得到其余输出。这个例子只有一个通道，步幅为 1，且不加填充。

Zhang et al., Dive into Deep Learning, Figure 7.2.1. · CC BY-SA 4.0

手算卷积核与输出形状

输入 $[1,2,4,8]$，核为 $[1,-1]$，偏置为零，无填充、步幅为一，互相关输出为 $[-1,-2,-4]$：每个位置计算相邻值之差。数学卷积会翻转核，在同样只取有效窗口的约定下输出 $[1,2,4]$。

普通稠密二维卷积层的输入若为 [B, 3, 32, 32]，有 16 个形状为 [3, 3, 3]（输入通道、高、宽）的核，填充为一、步幅为二，输出就是 [B, 16, 16, 16]。含偏置共 $16(3\cdot3\cdot3+1)=448$ 个参数，与图像宽高无关。某个共享权重的梯度，要把所有使用它的空间位置和批次样本的贡献加起来。

空洞率为 $r$ 时，把输出长度公式中的 $k$ 换成 $r(k-1)+1$。上面的互相关公式默认步幅和空洞率均为一，且索引有效；填充负责补充边界值。填充与步幅的教材讨论说明了边界处理的影响。在无限网格上，步幅为一的卷积具有严格平移等变性；有限填充会在边缘破坏这一性质，步幅为二时一般只对与采样网格对齐的平移保持等变。池化也不保证对任意平移不变。

核心组件

• 填充（Padding）：处理边界像素，常用于保持特征图的空间尺寸不变。
• 步幅（Stride）：控制卷积核移动的步长，实现下采样。
• 池化（Pooling）：对局部邻域进行统计汇总（如取最大值或均值），不包含可学习的空间权重。
• $1\times1$ 卷积：在每个空间位置独立地混合通道信息，可调整通道数；增加非线性还需配合激活函数。
• 堆叠层：逐层扩大感受野，将局部特征组合成更高层的语义表示。

局限与边界

• 归纳偏置的有效性：局部性和平移结构并非所有数据都具备，需视具体任务而定。
• 下采样风险：池化等操作可能丢失微小目标或精确位置信息。
• 感受野误区：感受野大不代表模型能有效利用所有相关上下文。
• 鲁棒性验证：在随机裁剪下表现好，不等于能抵抗真实的分布漂移。
• 数据主导性：数据集构造和增强策略对性能的影响，可能超过架构上的改动。

如果输入数据不具备明显的空间结构，建议优先使用小型 MLP 或线性模型作为基线。关于更多实现细节与练习，参考 Dive into Deep Learning: Convolutional Neural Networks。

CNN Explainer 可以让你跟随一张示例图像穿过小型卷积网络。先查看一次卷积及其激活图，再比较池化保留了什么，把本文的局部卷积计算与整网的空间尺寸、通道变化联系起来。

我的阅读 · 打开过的笔记会记在当前浏览器里。