卷积神经网络（CNN）的主要架构

卷积神经网络（CNN, Convolutional Neural Networks）是深度学习中最重要的模型之一，广泛应用于计算机视觉、目标检测、语义分割等任务。自 LeNet 诞生以来，CNN 结构经历了多个重要发展阶段，出现了许多经典架构，包括 AlexNet、VGG、GoogLeNet（Inception）、ResNet、DenseNet、MobileNet 等。

本文将详细介绍 CNN 的主要架构及其核心思想，帮助大家深入理解 CNN 发展历程及各架构的特点。

1. LeNet-5（1998）—— 卷积神经网络的奠基者

提出者：Yann LeCun
贡献：

• 提出了 CNN 的基本框架（卷积层 + 池化层 + 全连接层）。
• 率先应用 CNN 处理手写数字识别（MNIST 数据集）。
• 采用Sigmoid/Tanh 作为激活函数。

结构：

• 输入：$32\times 32$灰度图像（MNIST 手写数字）。
• C1：卷积层（6 个$5\times 5$过滤器）
• S2：池化层（平均池化）
• C3：卷积层（16 个$5\times 5$过滤器）
• S4：池化层（平均池化）
• C5：全连接层
• F6：全连接层（输出 10 类）

特点：

• 是第一个真正意义上的 CNN。
• 采用权重共享，大幅减少参数量。
• 由于计算机硬件限制，仅适用于简单任务（MNIST）。

2. AlexNet（2012）—— 深度学习的复兴

提出者：Alex Krizhevsky, Geoffrey Hinton
贡献：

• 在 ImageNet 竞赛中首次击败传统方法（SIFT + SVM），引发深度学习热潮。
• 采用 ReLU 激活函数，解决梯度消失问题。
• 通过Dropout 进行正则化，减少过拟合。
• 使用 GPU 计算，显著提高训练速度。

结构：

• 输入：$224\times 224$ RGB 图像
• C1：卷积层（96 个$11\times 11$过滤器，步长 4）
• P2：最大池化（$3\times 3$，步长 2）
• C3：卷积层（256 个$5\times 5$ 过滤器）
• P4：最大池化
• C5, C6, C7：三个卷积层
• P8：最大池化
• F9, F10：两个全连接层（4096 维）
• F11：Softmax 进行分类

特点：

• 加深网络层数（8 层），但仍然较浅。
• 引入 ReLU，加速训练并提高收敛速度。
• 采用 GPU 训练，比 CPU 速度快 10 倍以上。

3. VGG（2014）—— 简单但深度

提出者：Oxford VGG 团队
贡献：

• 采用小卷积核（$3\times 3$），用多个小卷积堆叠代替大卷积，减少参数量同时保持感受野。
• 层次更深（VGG-16、VGG-19），最高可达 19 层。

结构（VGG-16）：

• 输入：$224\times 224$ RGB 图像
• C1-C2：$3\times 3$卷积（64 个通道）
• P1：最大池化
• C3-C4：$3\times 3$卷积（128 个通道）
• P2：最大池化
• C5-C7：$3\times 3$卷积（256 个通道）
• P3：最大池化
• C8-C13：$3\times 3$卷积（512 个通道）
• P4：最大池化
• 全连接层：4096 + 4096 + 1000（分类）

特点：

• 全部使用$3\times 3$卷积，网络结构更规则。
• 参数量巨大（VGG-16 有 1.38 亿个参数）。
• 计算量大，推理速度慢，适合迁移学习（如 ImageNet 预训练）。

4. GoogLeNet（2014）—— Inception 结构

提出者：Google
贡献：

• 提出 Inception 模块，采用不同尺寸的卷积核并行计算，提高特征表达能力。
• 通过 1×1 卷积进行降维，减少计算量。

结构（Inception v1）：

• 输入：$224\times 224$RGB 图像
• C1：$7\times 7$卷积
• P1：池化
• C2-C3：$3\times 3$卷积
• 多个 Inception 模块
• 全连接层（Softmax 分类）

特点：

• 并行多尺度特征提取，增强模型能力。
• 参数量减少，比 VGG 更轻量化。
• 发展出多个版本（Inception v2, v3, v4, Xception）。

5. ResNet（2015）—— 解决深度退化问题

提出者：Kaiming He, Microsoft Research
贡献：

• 提出 残差学习（Residual Learning），通过 跳跃连接（Shortcut Connection） 解决梯度消失问题，使 CNN 深度突破 100 层。
• ResNet-50, ResNet-101, ResNet-152 等版本成为主流。

残差块（Residual Block）：
$$y=F(x)+x$$
其中：

• $F(x)$由两层卷积组成。
• 跳跃连接 让梯度更容易传播，避免梯度消失。

特点：

• 可训练超深网络（152 层以上），突破 CNN 训练极限。
• 性能卓越，在 ImageNet 竞赛中夺冠。
• 后续衍生出 ResNeXt、WideResNet 等变体。

6. MobileNet（2017）—— 轻量级 CNN

提出者：Google
贡献：

• 采用 深度可分离卷积（Depthwise Separable Convolution），减少计算量和参数量，使 CNN 可用于移动端。
• 可用于实时应用，如手机端人脸识别。

结构：

• 标准卷积 替换为 深度可分离卷积
• 1×1 卷积降维，减少参数量
• 提供 MobileNetV1, V2, V3 版本，逐步优化

特点：

• 计算量减少 90% 以上，适合移动设备。
• 轻量级，适用于嵌入式 AI 任务（如自动驾驶）。

7. EfficientNet（2019）—— 自动搜索优化 CNN

提出者：Google Brain
贡献：

• 提出了 复合缩放（Compound Scaling） 方法，统一调整 CNN 的深度、宽度和分辨率，提高计算效率。
• 采用 MobileNetV2 的深度可分离卷积和Swish 激活函数，减少计算量。
• 在 ImageNet 上比 ResNet、DenseNet 等模型更高效。

结构：

• 使用 MBConv（MobileNetV2 提出的 Inverted Residual Block）。
• 通过 神经架构搜索（NAS） 自动优化 CNN 结构。

特点：

• 参数更少，性能更强（EfficientNet-B7 在 ImageNet 上超越 ResNet152）。
• 可扩展：EfficientNet-B0 到 B7 提供不同计算复杂度的版本。

8. RegNet（2020）—— 通过规则生成 CNN

提出者：Facebook AI
贡献：

• 通过系统化搜索找到最佳的 CNN 设计规则，而非单独优化某个模型。
• 提出了 可预测的 CNN 结构，在计算资源受限的情况下仍然保持高性能。

特点：

• 比 ResNet 更高效，在 ImageNet 上实现更优性能。
• 提供多个变体（RegNetX, RegNetY），可适应不同计算需求。

9. ConvNeXt（2022）—— CNN 重新对标 Transformer

提出者：Facebook AI
贡献：

• 受 Vision Transformer（ViT） 启发，对 CNN 进行结构优化，使其在 ImageNet 上与 ViT 竞争。
• 通过简化 ResNet 设计，提升 CNN 在现代硬件上的性能。

特点：

• 改进的残差结构（ResNet 变体）。
• 大核卷积（7×7） 提升感受野。
• 层归一化（LayerNorm） 替代 BatchNorm，提高训练稳定性。

CNN 的未来趋势

虽然近年来 Vision Transformer（ViT） 和 MLP 结构（如 MLP-Mixer）取得了较大突破，但 CNN 仍然是计算机视觉领域的核心方法。未来 CNN 可能会：

1. 与 Transformer 结合（如 Swin Transformer + CNN）。
2. 进一步优化轻量级架构（如 MobileNetV3, EfficientNetLite）。
3. 增强可解释性，提升透明度和泛化能力。

总结

虽然 Transformer 逐渐成为主流，但 CNN 仍然有广泛应用，并在不断进化！
如果你对某个架构感兴趣，可以深入研究它的论文或实现！