一、核心定义

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，属于深度学习的核心算法之一，其设计灵感源自生物视觉皮层的感受野机制，通过局部连接、权值共享等特性高效处理图像等网格结构数据，核心优势是保留空间信息、减少参数数量、缓解过拟合。

二、基础核心概念

（一）卷积相关

1. 卷积（Convolution）：CNN 的核心操作，通过可移动的小窗口（卷积核 / 滤波器）与输入图像进行逐元素相乘再求和，实现特征提取。卷积核是一组固定权重，不同卷积核可捕捉图像的边缘、纹理等不同特征。
2. 关键参数
   • 步长（stride）：卷积核每次滑动的像素距离，直接影响输出特征图的尺寸。
   • 填充（zero-padding）：在输入图像边缘补充若干圈 0，目的是使卷积核能覆盖边缘区域，同时可保持输出特征图尺寸与输入一致，避免边缘信息过快丢失。
   • 卷积核个数：决定输出特征图的通道数（深度），个数越多，可提取的特征类型越丰富。
3. 卷积变种
   • 深度卷积（Depthwise Convolution）：每个卷积核仅对应输入特征图的单个通道进行二维卷积，无法改变输出通道数，常与 1×1 卷积结合形成深度可分离卷积，大幅减少计算量。
   • 分组卷积（Group Convolution）：将输入特征图分成多个组，每组单独与对应卷积核计算，最后拼接结果，可减少显存占用，需通过通道混洗（Channel Shuffle）解决组间信息阻隔。
   • 空洞卷积（Dilated Convolution）：通过在卷积核元素间间隔补 0 或在特征图上间隔取数，在不增加参数量的情况下扩大感受野，适用于语义分割等任务。
   • 转置卷积（Transposed Convolution / 反卷积）：通过对输入特征图间隔补 0 后再进行标准卷积，实现上采样，用于恢复图像尺寸。
   • 可变形卷积（Deformable Convolution）：卷积核元素额外增加偏移参数，可动态调整取点位置，灵活捕捉不规则形状特征。
   • 1×1 卷积（Pointwise Convolution）：尺寸为 1×1 的卷积核，核心作用是降维 / 升维（调整通道数）和增加网络非线性（结合激活函数）。

（二）特征与空间相关

1. 感受野（Receptive Field）：输出特征图上每个像素点映射回输入图像的区域大小。网络越深，感受野越大，靠前层提取局部细节特征（如纹理、边缘），靠后层提取全局语义特征（如物体轮廓）。
   • 计算公式：RFl+1​=RFl​+(fl+1​−1)∗∏i=1l​si​（RFl+1​为当前感受野，RFl​为上一层感受野，fl+1​为当前卷积核大小，∏i=1l​si​为前序步长乘积）。
2. 特征图（Feature Map）：卷积、池化等操作后的输出结果，是对输入数据的特征抽象表达，其维度由输入尺寸、卷积核大小、步长、填充共同决定。
   • 尺寸计算公式：nout​=snin​+2p−f​+1（nin​为输入尺寸，p为填充大小，f为卷积核大小，s为步长）。
3. 分辨率（Resolution）：输入图像或特征图的长宽尺寸，通常根据模型下采样次数和最终特征图尺寸确定（如 ImageNet 任务常用 224×224 输入）。
4. 通道（Channel）：特征图的深度维度，输入层中 RGB 图像通道数为 3，灰度图为 1；中间层通道数由卷积核个数决定，通道数越多，特征表达能力越强。

（三）网络结构相关

1. 权值共享（Weight Sharing）：同一卷积核在滑动过程中权重保持不变，基于 “同一特征在图像不同位置均有效” 的假设，大幅减少网络参数量，降低训练难度。
2. 下采样（Down-Sample）：减少特征图空间尺寸的操作，核心作用是降低计算量、防止过拟合、扩大感受野。实现方式包括步长为 2 的池化层（Max-Pooling/Average-Pooling）或步长为 2 的卷积层，其中 Max-Pooling 因保留纹理特征效果更佳而常用。
3. 上采样（Up-Sampling）：将小分辨率特征图恢复为大分辨率的操作，用于语义分割等任务，实现方式包括双线性插值、转置卷积、最大反池化（Max Unpooling）。
4. 池化层（Pooling Layer）：位于卷积层之后，无参数且不可学习，通过对局部区域取最大值（Max Pooling）或平均值（Mean Pooling）降维。全局平均池化（Global Average Pooling）则对整个特征图取平均，可替代全连接层减少参数。
5. 全连接层（Full Connected Layer）：将特征图展平为向量后进行矩阵乘法运算，实现特征的非线性组合，常用于分类任务的最终输出层前，本质是将卷积提取的局部特征映射为全局特征。
6. 网络深度（Depth）：指网络的层数或功能模块（block）个数，深度越大，网络表达能力越强，但需避免过深导致梯度消失。
7. 网络宽度（Width）：指网络中最大的通道数（由卷积核数量最多的层决定），宽度越大，单一层可学习的信息量越多，但计算量会显著增加。

（四）模型性能相关

1. 参数量（Params）：网络中可学习变量的总数，包括卷积核权重、批归一化（BN）的缩放系数 γ 和偏移系数 β、偏置项等，主要由卷积核权重决定，是轻量化网络设计的核心评价指标。
2. 计算量（FLOPs）：前向推理过程中乘加运算的总次数（浮点运算数），直接影响模型运行速度，尤其在移动端等资源受限平台需严格控制。

（五）辅助优化结构

1. 激活函数：引入非线性，使网络能学习复杂特征，常用类型包括 ReLU 系列（ReLU、ReLU6、Leaky ReLU）、Sigmoid 系列（含硬件友好的 h-sigmoid、h-swish），其中 ReLU 因计算简单、缓解梯度消失应用最广。
2. Batch Normalization（BN）：插入在卷积层与激活层之间，将层输出标准化为均值 0、方差 1 的分布，再通过可学习参数 γ 和 β 调整，解决内部协变量偏移（ICS）问题，加快收敛、缓解梯度消失。
3. Dropout：训练时按一定概率暂时丢弃部分神经元，使模型在不同子结构上训练，类似集成学习，有效抑制过拟合，测试时不生效。
4. 通道混洗（Channel Shuffle）：针对分组卷积的组间信息隔离问题，通过重塑（reshape）、转置、展平操作打乱通道顺序，促进组间信息交互。
5. ** shortcut 分支 **：包括 Addition（ResNet 中提出，相同维度特征图对应位置相加，融合特征）和 Concatenate（DenseNet 中常用，通道维度拼接，保留原始特征），均用于增强特征传播、缓解梯度消失。