企业官网建设流程全解析

卷积神经网络（CNN）是深度学习入门时绕不开的第一座山。图像分类、目标检测、人脸识别、OCR、视频理解，底层几乎都有卷积、池化、激活函数和全连接层这四个组件的影子。很多新手在学到这里时容易陷入两个极端：一是盯着公式推导不放，越推越懵；二是直接复制一段网络代码跑起来，却不知道每一层到底在做什么，后面调参、换任务时完全无从下手。

这篇文章就按最直接的方式把 CNN 讲清楚。你会看到卷积层、池化层、激活函数、全连接层各自的输入输出和代码实现，然后用 LeNet-5 和 AlexNet 两个经典网络把整套知识串起来。最后我给出一个可以完整运行的 PyTorch 手写数字识别工程，涵盖环境安装、模型定义、训练验证、批量推理、ONNX 导出和 HTTP 接口封装。整个流程对 CPU 友好，入门显卡速度更快，适合刚接触深度学习的人照着做。

本文适合三类读者：正在学机器学习基础、需要快速理解 CNN 工作原理的学生；准备面试、需要把网络结构讲清楚的求职者；以及想在本地做一个图像识别小工具、走通“训练—导出—部署”全流程的开发者。文章比较长，建议先收藏，再照着跑一遍。

1. CNN 核心概念速览

先建立整体印象，后续章节再逐个展开。表里列出的都是本次会讲到的重点。

本文用到的技术路线如下：

需要说明的是，显存占用和训练速度与 batch size、图片分辨率、网络层数直接相关，没有一个统一数字。后面我会给出观察方法，而不是拍脑袋报一个固定值。机器不同，结果只能以本机为准。

2. CNN 要解决什么问题：适用场景与使用边界

CNN 提出的核心背景，是传统的全连接网络在处理图像时会“参数爆炸”。一张 32x32x3 的 CIFAR 图片，直接拉平后是 3072 维。如果第一层全连接设置 1024 个神经元，这一层就有约 315 万个参数；如果换成 224x224x3 的 ImageNet 图片，第一层全连接的参数量会轻松过亿。更大的问题是，图像里的目标并不会因为你把它整体拉平就改变局部结构，猫的眼睛、耳朵、胡须这些特征应该是“在哪里都认识”的，全连接网络做不到这一点。

CNN 用三个设计解决了这个问题：局部连接，每个神经元只看图片的一个小区域；权值共享，同一个卷积核在整个图上滑动，参数不随位置变化；空间降维，通过池化逐步压缩特征图。这三板斧让图像分类的参数量和过拟合风险大幅下降，也让模型对目标位置有了一定的容忍度。这也是卷积神经网络（CNN）在图像任务中长期占据主导地位的根本原因。

使用边界也要说清楚。CNN 适合图像、视频帧、一维信号等具有明显局部相关性的数据。对于长文本、长序列、需要全局依赖建模的任务，CNN 并不占优势，这也是后来 Transformer 在很多场景里取代 CNN 的原因之一。实际工程中两者经常配合使用，比如先用 CNN 提取局部特征，再用注意力机制做全局建模。CNN 没有“过时”，而是成为基础组件。

3. 卷积层：CNN 的灵魂

卷积层的输入一般是形状为 (N, C, H, W) 的四维张量：N 是 batch size，C 是输入通道数，H 和 W 是高度和宽度。对 MNIST 来说，单张图是 1 通道、28x28，所以形状是 (1, 1, 28, 28)；CIFAR-10 则是 3 通道、32x32。卷积核是一个很小的窗口，常见 3x3、5x5，在图上从左上到右下按步长滑动，每次把窗口内的像素和卷积核参数做加权求和，再加上偏置，得到一个输出值。

三个关键参数决定输出尺寸：卷积核大小 K、步长 stride、填充 padding。输出尺寸可以按下面的公式计算：

out = (W - K + 2 * padding) / stride + 1

例如输入 28x28，卷积核 5x5，padding=2，stride=1，输出仍是 28x28；如果不做 padding，输出会变成 24x24。这个公式是调试代码和面试时最高频的问题，建议直接记住。

PyTorch 里一行代码就能定义卷积层：

import torch.nn as nn conv = nn.Conv2d( in_channels=1, # 输入通道数，MNIST 为 1 out_channels=6, # 输出通道数，也就是滤波器数量 kernel_size=5, # 卷积核大小 stride=1, padding=2 )

卷积层的参数量是 (K * K * C_in + 1) * C_out。以这个例子计算，(5x5x1+1)*6=156 个参数，非常小。真正的大头一般在全连接层，这也是为什么后来出现了全局平均池化和 1x1 卷积来压缩参数。理解了参数量计算方式，你就能解释为什么同一个网络在 28x28 小图上很轻量，换成 224x224 大图后显存会迅速上涨。

4. 池化层：降维不是玄学

池化层不改变通道数，只改变空间尺寸。最常用的是最大池化和平均池化。最大池化取窗口内的最大值，平均池化取平均值。默认做法是 2x2 窗口、stride=2，这样宽高各减半，整体特征图缩小为原来的四分之一。

池化的价值主要有三个。一是降低计算量，后面每一层的数据量都变小；二是扩大感受野，让网络在更靠后的层看到更大的范围；三是提供一定的平移不变性，目标稍微移动几个像素，最大池化的输出通常不会剧烈变化。

PyTorch 里是这样写的：

pool = nn.MaxPool2d(kernel_size=2, stride=2)

也有不少人会问：既然卷积层可以用 stride=2 来降采样，为什么还要池化？答案是可以互相替代，现代网络很多用 stride=2 的卷积代替池化，比如 ResNet 系列。原版 LeNet-5 和 AlexNet 用的是池化，所以学习经典结构时还是要把池化理解透。池化本身没有可学习的参数，这也是它和卷积层最明显的区别之一。

5. 激活函数：把非线性加回来

如果网络里只有卷积和全连接，那么无论堆叠多少层，整体都等价于一个线性变换。激活函数的作用就是给网络引入非线性，让模型能拟合复杂的映射关系。常见候选有 Sigmoid、Tanh、ReLU 和 LeakyReLU。

早期网络常用 Sigmoid，它的输出在 0 到 1 之间，有一个明显问题：输入绝对值较大时梯度接近 0，深度网络中误差反向传播时会逐层衰减，导致前面层几乎学不动。ReLU 的出现缓解了这一点：正区间梯度恒为 1，负区间输出为 0，计算简单，让深层网络可以更好地被训练。AlexNet 能顺利训练起来，ReLU 是重要原因之一。

PyTorch 里的定义很简单：

activation = nn.ReLU(inplace=True)

使用时需要留意 ReLU 的缺点：负数部分被直接置零，可能造成神经元死亡；学习率过大时尤其明显。遇到这种情况可以换 LeakyReLU、PReLU 或 GELU。激活函数不是一个可以忽略的超参数，不同任务、不同网络深度下，它对收敛速度和最终精度都有直接影响。

6. 全连接层与分类头

全连接层的作用，是把前面卷积和池化得到的特征图压平成一维向量，然后接若干线性层。以 LeNet-5 在 MNIST 上的一个简单变体为例，最后一个池化层输出 16 个 5x5 的特征图，压平后是 16x5x5=400 维。这 400 维向量经过两层线性变换，最后映射到 10 个类别。

分类头最后通常会接 softmax，或者直接配合 CrossEntropyLoss 使用。PyTorch 的 CrossEntropyLoss 内部已经做了 softmax，所以模型最后一层直接输出 logits 即可，不需要手动加 softmax。训练时用 CrossEntropyLoss，推理时想要概率可以再套一层 softmax。

全连接层的问题在于参数多。400 维转到 120 维，参数量约 4.8 万；如果输入是 224x224 的彩色大图，全连接层参数量会暴涨。因此现代分类网络往往用全局平均池化替代部分全连接层。这一变化在从 AlexNet 到 ResNet 的发展中可以看得很清楚。对初学者来说，先掌握全连接层的压平和输出逻辑，再去看全局平均池化，会顺畅很多。

7. LeNet-5 实战：从零实现手写数字识别

7.1 环境准备与数据下载

建议使用 Python 3.8 以上版本。先创建虚拟环境，避免依赖冲突：

python -m venv venv # Windows venv\Scripts\activate # Linux / macOS source venv/bin/activate

然后安装 PyTorch。CPU 用户可以直接装 CPU 版，体积小很多：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

有 NVIDIA 显卡的用户，先去 PyTorch 官网根据 CUDA 版本选择对应的安装命令，不要照抄上面的 CPU 命令。安装完成后执行下面的脚本确认设备：

import torch print(torch.__version__) print(torch.cuda.is_available()) if torch.cuda.is_available(): print(torch.cuda.get_device_name(0))

如果输出 True，说明 GPU 可用；如果输出 False，也没关系，本教程全部步骤都可以在 CPU 上完成，只是训练速度会慢一些。

MNIST 是 60k 训练图、10k 测试图的 28x28 灰度手写数字数据集。用 torchvision 可以自动下载：

import torchvision import torchvision.transforms as T transform = T.Compose([ T.ToTensor(), T.Normalize((0.1307,), (0.3081,)), ]) train_ds = torchvision.datasets.MNIST(root="./data", train=True, transform=transform, download=True) test_ds = torchvision.datasets.MNIST(root="./data", train=False, transform=transform, download=True) print(len(train_ds