今天咱们就简单唠唠CNN里那些常出现的关键词。
很多人第一次接触卷积神经网络（CNN）的时候，都会有那种熟悉又陌生的感觉。
说熟悉吧，这些词你肯定经常见：卷积、卷积核、步长、填充、池化、通道、特征图、感受野、全连接层、ReLU……
说陌生呢，就是这些词单独拿出来看，好像个个都认识，但凑到一块儿，就有点懵圈了。
尤其是刚学CNN那阵子，最容易出现一种情况——图能看明白个大概，代码也能跟着敲几句，但一碰到一堆术语，脑子瞬间就乱了。所以这篇内容就专门干一件事，把卷积神经网络里最常用的那批关键词，用最直白的话给大家讲清楚。
你把这些词顺一遍、弄明白，再去看CNN的结构图、课程视频或者代码，理解起来就会顺畅很多。其实学习一个新知识，最关键的第一步，就是先把它的基本概念搞透彻。
CNN全称是Convolutional Neural Network，中文叫卷积神经网络。它最厉害的地方，就是能从图片里一层一层把特征提取出来。比如说一张猫的图片，咱们人眼一看就知道是猫，但对计算机来说，刚开始它看到的就只是一堆像素值而已。
CNN要做的，就是把这些杂乱的像素，慢慢变成有意义的信息：先认出图片里的边缘，再认出纹理，接着认出猫的耳朵、眼睛、轮廓，最后就能判断出这是一只猫。所以你也可以这么理解，CNN就是一个特别会看图、找规律的模型。
接下来，咱们就逐个说说CNN里常见的那些关键词。
1. 卷积（Convolution）
在CNN里，最关键的就是卷积这个概念。
卷积听着特别数学，但放到图像里，你可以这么理解：用一个小窗口，在图片上一点点滑动，每到一个位置，就对这一小块做一次局部计算，看看这里有没有你想找的特征。
这个小窗口，就是我们后面要讲的卷积核。
CNN之所以叫卷积神经网络，就是因为它最核心的操作，就是靠这种滑动窗口的方式来提取特征。
2. 卷积核（Kernel/Filter）
卷积核其实就是个小巧的特征探测器，很好理解。咱们常见的就有3×3、5×5这种规格，它会在图片上一点点滑动，每次只盯着一小块区域看，再根据这块区域里的数值做计算。
不同的卷积核，对不同的图案敏感度不一样，比如说有的对横向边缘敏感，有的对纵向边缘敏感，还有的能捕捉纹理、亮暗变化这些细节。
所以说白了，卷积核的作用就是在图片的局部区域里，找出咱们需要的特征。你也可以把它想象成一个专门找线索的小放大镜，只聚焦局部，找关键信息。
3. 特征图（Feature Map）
图片经过卷积处理之后，输出来的结果就是特征图。它不是原图本身，而是原图经过一番特征提取后，得到的一种新表示。
举个例子，如果一个卷积核专门对边缘敏感，那经过它处理后得到的特征图，上面的边缘部分就会特别明显。
所以咱们可以这么理解特征图：它是原始图像经过卷积层加工后，得到的一张新图，这张新图里，某一类特征会被重点突出出来。
而CNN的核心，其实就是不断把原始图像，变成越来越抽象、也越来越有用的特征图。
4. 通道（Channel）
通道这个词，在图像里特别常见，最经典的例子就是咱们平时看的RGB图片：R是红色通道，G是绿色通道，B是蓝色通道。
所以一张彩色图片，通常会有3个输入通道。但在CNN里，经过卷积处理之后，输出的通道数就不一定是3个了，往往会变成很多个，比如32、64、128这些。
这些新的通道，不再代表红绿蓝三种颜色，而是代表模型从图片里提取出来的不同类型的特征。所以一般来说，通道数越多，就意味着模型能表达的特征种类越丰富，能捕捉到的图片信息也越多。
5. 步长（Stride）
步长说简单点，就是卷积核每次在图片上滑动的时候，移动的格子数。举两个例子就懂了：步长=1，就是每次只挪1格；步长=2，就是每次挪2格。
步长越小，卷积核滑动得就越细致，从图片里提取到的信息通常也更全面、更充分；反过来，步长越大，输出的特征图尺寸就会缩小得越快，同时模型的计算量也会跟着下降。
所以咱们也可以把步长，理解成卷积核在图片上“走路”的步子大小，步子大走得快，步子小走得细。
6. 填充（Padding）
卷积核在图像上滑动的时候，如果不给图像补边，每做一次卷积，图像的尺寸多半会变小，而且图像边缘的部分，能参与计算的次数也会更少。
这时候就该padding登场了，其实就是在图像的外面补一圈数值，最常用的就是补0。这么做一方面能控制输出图像的尺寸，另一方面也能让卷积核把边缘区域完整地扫一遍。
所以你这么理解就行：先给图像围一圈边，再让卷积核去扫描。说到底，padding本质上就是个补边的操作。
7. 激活函数（Activation Function）
卷积层计算完之后，一般不会直接把结果传到下一层，都会接一个激活函数。最常见的就是ReLU，激活函数的作用，就是给神经网络加上非线性的能力。
要是没有激活函数，不管你叠多少层网络，本质上都可能变成比较简单的线性变换，模型能表达的东西就很有限。你先简单记着：激活函数能让神经网络不只是机械地做计算，还能学到更复杂的规律。
8. 池化（Pooling）
池化其实就是一种压缩信息的操作。它不像卷积那样需要学参数，就是直接对图像的局部区域做个汇总。最常见的两种是：最大池化（Max Pooling）和平均池化（Average Pooling）。
比如说2×2 max pooling，就是在一个2×2的小区域里，挑出最大的那个数；2×2 average pooling，就是在这个2×2的小区域里，把四个数加起来求平均。
池化的主要作用有这么几个：缩小特征图的尺寸、减少计算量、留住重要信息，还能提高一点平移鲁棒性。说白了，池化就是把特征图压缩一下，只留下最关键的信息。
9. 卷积层（Convolution Layer）
卷积层才是CNN里真正负责提取特征的部分。它里面会有好多个卷积核，每个卷积核专门负责提取一种模式。
所以卷积层不是只有一个卷积核，而是由好多卷积核组成的一整层特征提取模块。咱们平时看到的Conv2d，大多数时候说的就是这个卷积层。
10. 池化层（Pooling Layer）
池化层和卷积层不一样，它一般不负责学习参数，主要是做下采样。也就是说，它的重点不是学新的特征，而是：压缩尺寸、留住重点、减轻后面的计算负担。
CNN里最常见的结构，就是卷积层提取特征，池化层压缩尺寸，俩配合着来。
11. 感受野（Receptive Field）
这个词一开始听着挺吓人，其实意思特别简单。它指的是，网络里某个位置的输出，对应到最开始的输入图像上，能看到的区域大小。
比如说第一层用一个3×3的卷积，它输出的一个点，只和原图里一个3×3的区域有关系，那它的感受野就是3×3。
随着网络层数越来越深，后面特征图上的一个点，往回对应到原图时，能看到的范围也会越来越大。
所以说白了，感受野就是这一层到底能看到原图多大一块地方的信息。
12. 全连接层（Fully Connected Layer, FC）
如果说前面的卷积层是负责提取特征的，那全连接层就更像是做最终判断的。它一般放在网络的后面，把前面提取到的所有特征整合到一起，最后输出分类的结果。
比如说识别手写数字的时候，全连接层最后可能会输出：是0的概率、是1的概率、是2的概率……所以全连接层的作用，你可以理解成，根据前面提取到的特征，做最后的决策。
13. 展平（Flatten）
卷积层输出的一般都是多维的特征图，比如：高×宽×通道数。但全连接层通常只接收一维的向量，这时候就需要一个操作，把前面的多维结果拉直，这个过程就叫Flatten（展平）。
简单说就是，把前面卷积出来的一大块特征，摊成一长串数字，再传给全连接层。
14. 参数共享（Parameter Sharing）
CNN比起普通的全连接网络，有个很重要的优点就是参数共享。意思就是同一个卷积核，会在整张图像上反复使用，不是说每到一个位置，就重新学一套新的参数。
这么做的好处很明显：参数的数量会少很多，训练起来更高效，也更适合图像这种——同一种特征可能出现在不同位置的数据。这也是CNN为什么特别适合处理图像的重要原因之一。
15. 局部连接（Local Connectivity）
CNN不像全连接层那样，一上来就让每个神经元看整张图像，它是先只看局部的区域。
也就是说，卷积层里的每个神经元，只和输入图像的一小块区域相连，不是和所有像素都连在一起，这就叫局部连接。
这也符合图像的一个基本规律：很多重要的特征，本来就是在局部出现的。比如边缘、纹理、拐角，通常都是先在小区域里出现的。
16. 下采样（Downsampling）
下采样就是让特征图的尺寸变小，常见的方式有两种：一种是池化，另一种是步长大于1的卷积。
它的目的主要是：压缩空间尺寸、减少计算量，让模型慢慢从关注细节，转向关注更抽象的整体特征。所以你可以这么理解下采样：一边往后面学习，一边把图像缩小，只留下重点部分。
这里要注意一点，在CNN里说的下采样，通常是指缩小特征图的空间尺寸；而在类别不平衡问题里说的下采样，通常是指减少多数类样本的数量。这两个概念名字一样，但意思完全不同，别搞混了。
17. 过拟合（Overfitting）
这个词在CNN里也特别常见。过拟合就是说，模型在训练集上学得特别好，但是到了验证集或者新的数据上，表现就变差了。
说白了，就是模型把训练数据记太死了，没有真正学会能通用的规律。它的常见表现是：训练准确率很高，但验证准确率不高；训练时的loss很低，但验证时的loss反而升高。
18. 数据增强（Data Augmentation）
当训练数据不够的时候，CNN很容易出现过拟合，这时候常用的方法就是数据增强。常见的做法有：翻转、旋转、裁剪、调整亮度、缩放。
它的本质就是让同一类图片，在训练的时候呈现出更多不一样的样子，这样就能提高模型的泛化能力。你可以把它理解成，给模型多出几道变式题，让它学得更灵活。
如果用一句话把CNN的流程串起来，大概是这样：输入图像 → 卷积层用卷积核提取特征 → ReLU增加非线性 → 池化层压缩尺寸 → 多层堆叠后扩大感受野 → 展平特征 → 全连接层做分类输出。
这么一看，很多关键词其实就不是零散的了，而是能串成一条完整的逻辑链。
今天这篇文章，其实就是想把这些高频词理顺。因为一旦这些词你都弄明白了，后面再去看：CNN结构图、PyTorch / TensorFlow代码、论文里的模型描述、调参文章，都会轻松很多。
