卷积神经网络：让计算机学会「看」的第一性原理

你手机相册能自动把照片分成人、猫、文档，背后站着同一个角色：卷积神经网络（CNN）。它诞生于 1980 年代，2012 年靠 ImageNet 一战成名，至今仍是计算机视觉的底座。它到底凭什么"看懂"一张图？

第一步：用一个小窗口去"扫"整张图

传统做法把图片摊平成一长串像素喂给网络，结果图片稍微平移一点就认不出。CNN 换了个思路：用一个很小的卷积核（比如 3×3 的小方块）在图上滑动，每次只看局部。这个动作叫卷积——本质是拿核里的数字和图像局部做乘法再相加，得到一张"特征图"。同一个核扫完整张图，意味着它练出的识别能力可以出现在任何位置，这叫平移不变性。

图1：卷积核像一把小刷子，扫过全图提取局部特征

第二步：共享权重，少记一大半

如果全图每个位置都配一套独立参数，模型会大得学不动。CNN 让同一个核在整个图上共用参数，这叫权重共享。它带来的好处很实在：参数量暴跌，模型不容易过拟合，也更能抓住"形状"而不是死记具体像素。配合池化（把相邻小区域压成一个值，只留最强响应），网络对微小位移、缩放不再敏感。

第三步：从边缘到语义，一层层"长高"

单层卷积只能抓简单模式。CNN 把多层叠起来：浅层学到的是边缘、角点、颜色块；中层把边缘拼成纹理、部件；深层把部件组合成"眼睛""轮子"这样的语义概念。最终这些高级特征被送进全连接层做分类判断。你以为是机器在"看"，其实是它在逐层抽象——越低层越像滤镜，越高层越像概念。

图2：越往深层，特征越接近"这是什么"而不是"哪里有像素"

为什么今天还在讲它

2026 年大模型大行其道，CNN 却没退场。它在医学影像、工业质检、卫星图分析这些"看图"任务上仍是最稳的选择之一，而且参数量远小于通用大模型、能在手机端跑。