7.1 卷积：滑动窗口看局部

从全连接到局部：为什么图像需要卷积

上一章 全连接网络 面对图像时有一个致命缺陷：将一张 224x224 的彩色图片展开，瞬间变成 150528 个独立数字，第一层若有 1000 个神经元，参数量直奔 1.5 亿。人眼不是这样看世界的——你不会同时看清一张照片的所有像素，你的视线在一个小区域内聚焦，然后移动。

CNN 的核心是卷积核（Convolution Kernel，也叫滤波器 Filter）——一个很小的矩阵（例如 3x3），它像一只手电筒，在图片上逐行逐列滑动。每停到一个位置，手电筒光圈内的像素与卷积核的权重逐元素相乘再求和，输出一个数字。滑完整张图，输出的数字阵列就是一张”特征图”（Feature Map）¹。

生活比喻：想象你在沙滩上用金属探测器找硬币。探测器（卷积核）只能探测脚下巴掌大的区域（3x3 感受野），你一步一步走遍整个沙滩（滑动），每一脚踩下去，探测器发出一个信号强度（输出值）。最后你画出一张”硬币热力图”（特征图），颜色越亮的地方硬币越可能在那里。

卷积运算：三步走

对于输入图像上一个 3x3 的区域和卷积核，计算过程只有三步：

1. 覆盖：将卷积核对齐到图像区域上
2. 逐元素相乘：将卷积核的 9 个权重，和图像区域的 9 个像素值，一一对应相乘
3. 求和：将 9 个乘积加起来，得到输出特征图上的一个值

举个例子。假设图像左上角的 3x3 区域是：

[10, 20, 30]
[60, 70, 80]
[110,120,130]

卷积核是垂直边缘检测器（左边负、右边正）：

[-1, 0, 1]
[-1, 0, 1]
[-1, 0, 1]

计算：(-1x10)+(0x20)+(1x30)+(-1x60)+(0x70)+(1x80)+(-1x110)+(0x120)+(1x130) = -10+0+30-60+0+80-110+0+130 = 60。

数值 60 告诉我们：这个区域有强烈的”左边暗、右边亮”的垂直边缘。然后卷积核向右滑动一格（步长 stride），计算下一个位置，如此反复，直到覆盖全图。

卷积核的本质是模式检测器。不同的权重组合检测不同的视觉模式——有的专门找竖线，有的找横线，有的找颜色突变，有的找纹理。一个 CNN 层中有几十到几百个卷积核，每个学习检测一种模式²。

卷积为什么比全连接高效三个数量级

卷积相对于全连接有三个结构性优势，这也是 CNN 统治计算机视觉十年的根基：

参数共享（Weight Sharing）：同一个卷积核的 9 个权重，在图片的每一个位置复用。如果全连接层要在 224x224 的图上对每个位置单独检测竖线，需要 50176 套参数；卷积核只需 9 个参数。参数共享的直观道理是：一个竖线检测器在图片左上角有效，在右下角同样有效，没有理由为每个位置重新学一遍。

局部连接（Local Connectivity）：每个输出神经元只看 3x3 的一小块区域，而不是整张图。图片中相邻的像素关系紧密，远处的像素几乎无关——卷积的局部性恰好匹配图像的这个自然属性。就像你看一个陌生人的脸，先看眼睛、鼻子、嘴巴这些局部特征，不会试图一次性”感受”整张脸的每一个毛孔。

平移等变性（Translation Equivariance）：如果图片中的物体向右移动了 3 个像素，特征图上的响应也会精确地向右移动 3 个像素。数学上写为 f(shift(x)) = shift(f(x))。这意味着卷积天然理解”猫在左边还是右边都是猫”，不需要为每个位置单独学习³。

生活比喻：参数共享就像你的签名——不管签在合同左上角还是右下角，都是同一个签名，不需要为每个位置练一种签名。局部连接就像你看书——一次只看一行字，而不是同时看清整页的所有字。平移等变性就像你认出朋友——他站在房间左边还是右边，都不影响你认出他。

关键参数与注意事项

卷积层有几个超参数，直接决定输出特征图的尺寸和计算量，理解它们比背诵公式重要：

卷积核大小（Kernel Size）：最常见的是 3x3。为什么不是更大？两个 3x3 卷积堆叠，感受野等于一个 5x5 卷积，但参数更少（18 vs 25），中间多一层非线性激活。VGG 网络的核心哲学就是”用深度换参数效率”。但 2022 年后 ConvNeXt 重新尝试 7x7 大卷积核，因为大数据量下更大的感受野一次性捕获更多上下文反而更有效⁴。

步长（Stride）：卷积核每次滑动的像素距离。stride=1 时输出尺寸几乎不变；stride=2 时输出尺寸减半，相当于降采样。现代 CNN 越来越多地用 stride=2 的卷积替代池化层做降采样——卷积有可学习的参数，能学到”怎样降采样最好”。

填充（Padding）：在输入图片边缘补零。“same” padding 让输出尺寸与输入相同（3x3 卷积补一圈零，即 padding=1）；“valid” padding 不补零，每层卷积都会缩小特征图。没有 padding，深层网络很快就没像素可操作了。但 padding 也会在边缘引入人工零值，对边缘位置的检测精度有微弱影响。

输入与输出通道：彩色图有 RGB 三个输入通道。一个卷积核实际上是一个三维张量（k_h x k_w x C_in），对输入的所有通道同时做卷积并求和。N 个卷积核产生 N 个输出通道——即 N 张不同的特征图，每张图由不同的”探测器”生成。

输出尺寸公式：H_out = floor((H_in + 2P - K) / S) + 1，其中 K 为核大小，P 为填充，S 为步长。

关联

• 7.2 卷积运算的数学直觉 — 继续深入，手算卷积、理解互相关、层级特征学习
• 卷积核 (Convolution Kernel) — 卷积核变体全览（1x1、深度可分离、空洞、转置卷积）
• CNN 卷积神经网络 (Convolutional Neural Network) — CNN 完整组件和经典架构速查表
• 第6章 · 神经网络基础 — 全连接层的局限性催生了卷积
• 对比-CNNvsTransformer — CNN 的局部性 vs Transformer 的全局注意力

---

← 上一节：章首 ｜ 下一节：7.2 卷积运算的数学直觉 →

注释

1. LeCun et al., “Gradient-Based Learning Applied to Document Recognition”, 1998, http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf ↩

2. Krizhevsky et al., “ImageNet Classification with Deep Convolutional Neural Networks”, 2012, https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html ↩

3. CS231n, Stanford, “Convolutional Neural Networks for Visual Recognition”, https://cs231n.github.io/convolutional-networks/ ↩

4. Liu et al., “A ConvNet for the 2020s”, 2022, https://arxiv.org/abs/2201.03545 ↩