015、AI如何看懂世界：卷积神经网络(CNN)入门

昨天调一个图像分类模型，测试集准确率死活卡在70%上不去。把训练好的模型拿过来，随手丢了一张办公室咖啡杯的图片进去，结果模型信心十足地判定为“键盘”。问题出在哪？不是数据不够，也不是训练轮数不足——根本原因是网络结构没选对。全连接层在处理图像时，把像素间的空间关系全丢掉了。这正是我们今天要聊的卷积神经网络(CNN)，它让AI真正开始“看懂”图像。

从全连接的坑说起

传统神经网络处理图像时，会把28x28的MNIST手写数字拉成784个像素点输入。想象一下，把你眼前的画面拆成碎片再让大脑识别，这显然违反直觉。更糟的是，参数爆炸：1000x1000的彩色图，输入层到第一个隐藏层就需要30亿个权重。所以早期计算机视觉搞了几十年特征工程，SIFT、HOG这些手工特征提取算法成了标配，直到CNN出现才改变游戏规则。

卷积到底在干什么

看这个简单的卷积操作：

# 别直接调库，我们先手写一遍理解原理defnaive_conv2d(image,kernel)