1. 卷积神经网络的前世今生
第一次接触卷积神经网络时,我被它的工作原理深深吸引。想象一下,这就像教一个孩子认识动物:不是一次性记住整张图片,而是先识别耳朵的形状、眼睛的位置,再组合这些局部特征来判断。这正是CNN的核心思想——通过局部感受野和权值共享,高效提取图像特征。
在计算机视觉领域,CNN已经彻底改变了游戏规则。从最早只能识别手写数字的LeNet,到现在可以处理千万级图像的ResNet,这段演进历程充满了工程师们的智慧结晶。我常跟团队说,理解这些经典模型的设计哲学,比单纯调用现成API重要得多。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. LeNet-5:开山鼻祖的智慧
2.1 模型架构解析
1998年诞生的LeNet-5堪称祖师爷级别,它的结构现在看来简单得可爱:
- 输入层:32×32灰度图像
- C1层:6个5×5卷积核
- S2层:2×2平均池化
- C3层:16个5×5卷积核
- S4层:2×2平均池化
- C5层:120个5×5卷积核
- 输出层:84个神经元的全连接
当时在MNIST数据集上达到99%准确率,绝对是轰动性的突破。Yann LeCun设计时有个精妙考虑:输入尺寸(32×32)比实际数字(28×28)大,就是为了让笔画特征出现在感受野中心。
2.2 PyTorch实现详解
python复制class LeNet5(nn.Module):
def __init__(self):
super(LeNet5, self).__init__()
self.conv1 = nn.Conv2d(1, 6, 5) # 1通道输入,6个5x5卷积核
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16*5*5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.
