卷积神经网络 图谱介绍
从 MLP 处理图像的局限性出发，依据图像的局部性与平移不变性，介绍卷积层、池化层并组合为卷积神经网络；随后梳理 ImageNet 时代的代表性网络，分析深度训练中的梯度问题，讲解批量规范化与残差连接。
1959 年，Hubel 与 Wiesel 把微电极插入猫的视觉皮层，发现那里的神经元各自只盯着视野中的一小块区域，且只对特定朝向的边缘放电—— 视觉先在局部捕捉简单特征，再逐层组合成更复杂的整体 。
图像里有意义的特征总是聚集在局部，卷积正是顺着这一点设计的——网络结构的选择，本身就隐含着对数据规律的一种先验认知。
影响深远的 「昔日 CV 霸主」
卷积神经网络曾主导计算机视觉，如今前沿已转向基于 Transformer 的多模态大模型。但它留下的残差连接、归一化层等技术 至今仍是大模型的标配 ，理解它们正是理解大模型的起点。
一张彩色图像就是按通道、高、宽排列的三维数值网格。
把图像拉平成长向量会丢掉空间结构，参数量也随像素数迅速膨胀。
小卷积核滑过图像，提取边缘等局部特征。
一层里多个卷积核各自输出一张特征图，堆成多通道。
按窗口取最大值，缩小特征图、保留显著响应。
卷积、池化、全连接堆叠成完整网络，数据从图像一路流到分类输出。
同样的手写数字任务，卷积网络比全连接参数更少、精度更高。
混淆矩阵看清每一类被错分到了哪里。
网络逐代加深，ImageNet 竞赛推动突破。
误差逐层连乘，梯度容易衰减到零或放大到发散。
把每层输入拉回稳定分布，让训练更平稳。
主路径学习残差 ，再与跳过若干层直接传来的 相加得到 ，让很深的网络也容易训练。