卷积神经网络（CNN）深度解析：万字长文，带你掌握各层知识及其作用

大家好呀，今天我们来讲讲深度学习中最经典的神经网络--卷积神经网络（CNN）各层的基本知识以及作用，废话不多说，我们直接开始吧

卷积神经网络

卷积神经网络由输入层、卷积层、激活函数、池化层以及全连接层构成。

INPUT（输入层）-CONV（卷积层）-RELU（激活函数）-POOL（池化层）-FC（全连接层）

简单来说：卷积用来提取特征，池化压缩特征，全连接层用来加权重

卷积层

卷积层的作用是用来提取特征，卷积层主要涉及的参数包括：滑动窗口步长，卷积核尺寸，填充边缘，卷积核个数。卷积核的工作原理如下图所示：

如下图所示：输入图像是32 * 32 * 3，3是它的深度也就是R、G、B三通道，通过卷积核，在图中卷积核是5 * 5 * 3的filter,其中filter的深度必须和输入图像的深度相同，也就是对应的3，filter可以有很多个。通过一个filter与输入图像的卷积的话，会得到一个28 * 28 * 1的特征图。

具体的特征图尺寸计算公式如下：

如上上图中所示：输入的是32 * 32 * 3大小的图像，用10个5 * 5 *3 的fliter进行卷积操作，并指定步长为1，边缘填充为2：

（32-5+2*2）/1+1＝32

输出的规模为32*32*10，经过卷积操作后也可以保持特征图的长度和宽度不变

关于卷积的过程图解析如下：

输入图像和filter的对应位置元素相乘再求和，最后再加上 b0（偏置），得到特征图。

如图所示：filter w0的第一层深度和输入图像的蓝色方框中对应元素相乘再求和得到0，其他两个深度得到2，0，则有0+2+0+1=3即图中右边特征图的第一个元素3，卷积过后输入图像的蓝色方框再滑动，stride（步长）=2。完成卷积，得到一个3 * 3 * 1的特征图；

边缘填充：在这里还要注意一点，即zero pad项，即为图像加上一个边界，边界元素均为0，这就叫做边缘填充，是为了更好的提取边界的每个部分的特征，让边界点也可以多次的提取特征，这就是padding的作用。

通常，我们会通过多次的卷积，来提取特征。

 这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

卷积参数共享：

通过卷积操作，我们实现了输入图像的局部连接，从而大大减少了网络模型中的参数量。但这还不够，利用图像的另一特性，参数量可以进一步降低。

如图所示：10个shape（5，5）的卷积核，每个卷积核在原图中对应一个参数矩阵，大小为5*5。

如果不共享权值的话，将得到5 ∗ 5 ∗ 3 ∗ 32 ∗ 32 ∗ 10 + 10个参数

如果共享参数的话将有5 ∗ 5 ∗ 3 ∗ 10 + 10个参数

总结如下：

卷积层涉及参数

• 滑动窗口步长：能移动越多得到的特征图越大，提取的特征越细腻，常见步长为1

• 卷积核尺寸：选择区域的大小—最后得到结果个数的大小，一般3×3

• 边缘填充：由于步长选择，有些元素重复加权贡献的，越往里的点贡献多，越往外的点贡献少，是边界点贡献多些，在外面加上一圈0，可以弥补一些边界特征缺失，zero padding 以0为值进行边缘填充

• 卷积核个数：最后要得到多少个特征图,注意的是每个卷积核都是不一样的

• 卷积参数共享：用同样一组卷积和对图像中每一个区域进行特征提取

池化层

池化层是当前卷积神经网络中常用组件之一，它最早见于LeNet论文中，称之为Subsample or’downsample‘即降采样。

池化层是模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。

池化层的常见操作包含以下几种：最大值池化，均值池化，随机池化，中值池化，组合池化等。

池化层压缩过程：在通过卷积层后对特征图进行筛选，滑动窗口（例如：max pooling将该区域最大值提取出来），max pooling过程如下：

激活函数

激活函数的作用在于提供网络的非线性建模能力。

如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机。

如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。

常见的激活函数有：

• Sigmoid激活函数

也称为S型生长曲线，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间 。公式如下：

• Tanh激活函数

Tanh 激活函数又叫作双曲正切激活函数，在数学中，双曲正切"Tanh"是由基本双曲函数双曲正弦和双曲余弦推导而来。公式如下：

优点：比Sigmoid函数收敛速度更快，输出以0为中心。

缺点：由于饱和性产生的梯度消失

在实践中，Tanh 函数的使用优先性高于 Sigmoid 函数。负数输入被当作负值，零输入值的映射接近零，正数输入被当作正值。

为了解决梯度消失问题，我们来讨论另一个非线性激活函数-Relu函数，该函数明显优于前面两个函数，是现在使用最广泛的函数。

• Relu激活函数

公式如下：

当输入 x<0 时，输出为 0，当 x> 0 时，输出为 x。该激活函数使网络更快速地收敛。它不会饱和，即它可以对抗梯度消失问题，至少在正区域（x> 0 时）可以这样，因此神经元至少在一半区域中不会把所有零进行反向传播。由于使用了简单的阈值化（thresholding），ReLU 计算效率很高。

全连接层

全连接层之前的操作：卷积层、池化层、激活函数等的作用是用来提取特征（将原始数据映射到隐藏层特征空间），而全连接层的作用就是分类（将学到的特征表示映射到样本标记空间当中）

在 CNN 结构中，经多个卷积层和池化层后，连接着1个或1个以上的全连接层．与 MLP 类似，全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，为了提升 CNN 网络性能，全连接层每个神经元的激活函数（按你的任务目的选择，分类or回归）。

假设你是一只小蚂蚁，你的任务是找小面包。你的视野还比较窄，只能看到很小一片区域。当你找到一片小面包之后，你不知道你找到的是不是全部的小面包，所以你们全部的蚂蚁开了个会，把所有的小面包都拿出来分享了。全连接层就是这个蚂蚁大会~

如果提前告诉你全世界就只有一块小面包，你找到之后也就掌握了全部的信息，这种情况下也就没必要引入FC层了

  这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】