CNN 深度技术详解：从卷积数学原理到现代计算机视觉工程实践

Aug 5, 2026

CNN（Convolutional Neural Network，卷积神经网络）是深度学习历史上最重要的模型架构之一。
从图像分类、目标检测、图像分割，到OCR、人脸识别、医学影像和视频分析，CNN曾经长期占据计算机视觉的核心位置。
即使今天 Vision Transformer（ViT）和多模态大模型快速发展，CNN依然没有消失。相反，理解CNN仍然是理解现代Computer Vision、理解视觉模型和理解神经网络底层计算机制的重要基础。
本文不把CNN简单理解为“卷积 + 池化 + 全连接”，而是从数学、计算图和工程实现三个层面重新理解CNN。

一、CNN到底解决了什么问题？

假设有一张RGB图片：

224 × 224 × 3

如果使用传统全连接神经网络：

224 × 224 × 3
        ↓
     150528
        ↓
     Dense
        ↓
     Dense
        ↓
    Prediction

第一个全连接层假设有1000个神经元，那么参数数量：

150528 × 1000
≈ 150 million

这会产生两个严重问题：

参数量巨大
完全忽略图像的空间结构

图片中相邻像素通常具有强相关性：

Pixel
 ↓
Neighbor Pixel
 ↓
Local Pattern
 ↓
Object

例如：

边缘
 ↓
纹理
 ↓
局部形状
 ↓
物体部件
 ↓
完整物体

CNN的核心思想就是：

利用局部连接和参数共享，在保持空间结构的同时提取视觉特征。

二、CNN最核心的三个思想

CNN真正重要的不是“卷积”两个字，而是三个设计思想：

1. Local Connectivity
2. Parameter Sharing
3. Hierarchical Feature Learning

2.1 Local Connectivity：局部连接

假设：

5 × 5 Image

我们不让一个神经元连接所有25个像素，而只观察：

3 × 3

区域：

┌───────────────┐
│               │
│   ┌───────┐   │
│   │ 3 × 3 │   │
│   │ Kernel│   │
│   └───────┘   │
│               │
└───────────────┘

这样神经元只关注局部区域。

这与视觉系统中的局部感受野具有一定的对应关系。

三、Parameter Sharing：参数共享

这是CNN最重要的设计之一。

假设一个3×3卷积核：

1  0 -1
1  0 -1
1  0 -1

它可能用于检测：

垂直边缘。

这个Kernel不是只使用一次，而是在整张图片上滑动：

Image
 ↓
Kernel
 ↓
左上区域
 ↓
右移
 ↓
继续计算
 ↓
整个Image

也就是说：

同一组参数被重复用于不同空间位置。

这就是参数共享。

四、卷积到底在计算什么？

假设输入：

3 × 3

为：

1  2  3
4  5  6
7  8  9

Kernel：

1  0
0  1

进行一次卷积：

1×1 + 2×0
+ 4×0 + 5×1

得到：

Kernel向右移动：

2 3
5 6

得到：

2×1 + 3×0
+ 5×0 + 6×1
= 8

继续移动：

3 4
6 7

得到：

于是形成：

6   8
12  14

这就是Feature Map。

五、严格来说，CNN使用的是Cross-Correlation

很多教材直接把这个操作叫Convolution。

但从数学定义来说，深度学习框架中的：

torch.nn.Conv2d

通常执行的是cross-correlation，而不是严格意义上的数学卷积。

严格卷积需要：

Kernel Flip

即：

a b
c d

变成：

d c
b a

而深度学习中通常直接使用原始Kernel进行滑动计算。

由于Kernel参数本身是通过训练学习得到的，因此这种差异通常不影响神经网络的表达能力。

六、CNN输入数据到底是什么？

对于普通RGB图片：

Height × Width × Channels

例如：

224 × 224 × 3

但是PyTorch默认格式是：

Batch × Channels × Height × Width

即：

N × C × H × W

例如：

32 × 3 × 224 × 224

表示：

Batch = 32
Channels = 3
Height = 224
Width = 224

这是PyTorch CNN开发必须熟悉的数据格式。

七、一个卷积层包含什么？

例如：

nn.Conv2d(
    in_channels=3,
    out_channels=64,
    kernel_size=3
)

含义：

输入Channel
     ↓
     3
     ↓
3 × 3 Kernel
     ↓
64个Filter
     ↓
64个Feature Maps

所以：

Output Channels = Number of Filters

八、卷积核和Filter有什么区别？

实际工程中经常混用。

对于：

Input Channels = 3

一个完整Filter实际上不是：

3 × 3

而是：

3 × 3 × 3

因为它需要覆盖RGB三个Channel。

如果：

Input Channels = 64
Output Channels = 128
Kernel = 3 × 3

参数量：

128 × 64 × 3 × 3

再加上Bias：

总参数：

128 × 64 × 3 × 3 + 128
= 73856

九、卷积输出尺寸怎么算？

这是CNN面试和实际开发中非常重要的公式。

对于二维卷积：

H_out =
floor(
(H + 2P - D(K-1) - 1) / S
+ 1
)

W方向同理。

其中：

H = Input Height
W = Input Width
K = Kernel Size
P = Padding
S = Stride
D = Dilation

如果：

H = 32
K = 3
P = 1
S = 1
D = 1

那么：

H_out
=
(32 + 2 - 3) / 1 + 1
=
32

所以：

32 × 32

经过：

3 × 3
Padding=1
Stride=1

尺寸保持不变。

十、Stride：卷积移动的步长

Stride决定Kernel每次移动多少像素。

例如：

Stride = 1

表示：

→
每次移动1个Pixel

而：

Stride = 2

表示：

→→
每次移动2个Pixel

因此Stride越大：

Feature Map尺寸越小

例如：

224 × 224
     ↓
Stride = 2
     ↓
112 × 112

Stride本身就可以承担Downsampling作用。

十一、Padding：为什么需要补零？

如果没有Padding：

Input
 ↓
3 × 3 Kernel
 ↓
Output尺寸减少

例如：

连续使用很多卷积后：

32
 ↓
30
 ↓
28
 ↓
26
 ↓
...

空间尺寸会快速缩小。

Padding可以保持尺寸。

例如：

Input:
32 × 32

Padding:
1

Kernel:
3 × 3

Output:
32 × 32

十二、“Same"和"Valid”

常见概念：

Same
Valid

Valid

不Padding：

Input
 ↓
Kernel
 ↓
Output尺寸缩小

Same

通过Padding使：

Output ≈ Input

在Stride=1、奇数Kernel时尤其常见。

十三、多个Filter意味着什么？

假设：

Input:
224 × 224 × 3

第一层：

Conv2D
64 Filters

输出：

224 × 224 × 64

这64个Channel并不是64张原始图片。

而是：

64种不同的特征响应。

例如某些Filter可能学习：

Filter 1 → Vertical Edge

Filter 2 → Horizontal Edge

Filter 3 → Corner

Filter 4 → Texture

Filter 5 → Color Pattern

这些特征不是人工定义的，而是训练过程中自动学习出来的。

十四、CNN的层级特征学习

这是理解CNN最重要的概念之一。

CNN浅层：

Pixel
 ↓
Edge

中层：

Edge
 ↓
Texture
 ↓
Shape

深层：

Shape
 ↓
Part
 ↓
Object

例如识别猫：

Layer 1
 ↓
边缘

Layer 2
 ↓
纹理

Layer 3
 ↓
耳朵、眼睛

Layer 4
 ↓
猫脸

Layer 5
 ↓
Cat

这就是：

Hierarchical Representation Learning

十五、ReLU为什么需要存在？

卷积之后通常需要激活函数。

最经典的是：

ReLU(x) = max(0, x)

例如：

-3 → 0
-1 → 0
 0 → 0
 2 → 2
 5 → 5

代码：

nn.ReLU()

为什么需要它？

因为如果所有层都只是：

Linear
+
Linear
+
Linear

最终仍然可以表示成一个线性变换。

ReLU引入非线性：

Conv
 ↓
ReLU
 ↓
Conv
 ↓
ReLU

于是网络拥有更强的表达能力。

十六、为什么CNN通常是Conv + ReLU？

经典结构：

Input
 ↓
Conv
 ↓
ReLU
 ↓
Conv
 ↓
ReLU
 ↓
Pooling

现代网络可能进一步加入：

BatchNorm
Dropout
Residual Connection
Attention

形成：

Conv
 ↓
BatchNorm
 ↓
ReLU
 ↓
Conv
 ↓
Residual

十七、Pooling是什么？

Pooling用于：

降低Feature Map空间尺寸。

最经典的是Max Pooling：

2 × 2

例如：

1  3
2  4

Max Pooling：

对于：

4 × 4

可以变成：

2 × 2

十八、Max Pooling到底保留了什么？

例如：

2×2 Max Pool：

8  2
3  5

它保留：

局部区域中的最强激活。

所以可以理解成：

Feature Detector
       ↓
强响应
       ↓
Max Pooling
       ↓
保留最明显特征

十九、Average Pooling

另一种是：

Average Pooling

例如：

1 2
3 4

平均值：

(1+2+3+4)/4
=2.5

相比Max Pooling：

Max Pooling
→ 强调最强特征

Average Pooling
→ 强调整体统计

现代CNN中，Global Average Pooling非常常见。

二十、Global Average Pooling

假设：

7 × 7 × 512

经过：

Global Average Pooling

变成：

1 × 1 × 512

于是得到：

512-dimensional vector

然后可以直接：

Linear
 ↓
Classes

这可以减少大量参数。

二十一、经典CNN结构：LeNet

LeNet是CNN历史上的经典架构。

大致：

Input
 ↓
Conv
 ↓
Pooling
 ↓
Conv
 ↓
Pooling
 ↓
FC
 ↓
Output

它主要用于：

手写数字识别。

LeNet的重要意义是证明：

卷积 + 局部连接 + 参数共享可以有效解决视觉识别问题。

二十二、AlexNet：深度学习视觉革命

2012年的AlexNet是CNN发展史上的重要节点。

核心特点：

更深的网络
ReLU
GPU训练
Dropout
Data Augmentation
Max Pooling

结构可以简化理解为：

Image
 ↓
Conv
 ↓
ReLU
 ↓
Pool
 ↓
Conv
 ↓
ReLU
 ↓
Pool
 ↓
...
 ↓
FC
 ↓
Classification

AlexNet推动了深度学习重新成为Computer Vision主流。

二十三、VGG：用小卷积堆叠深度

VGG的重要思想：

使用多个3×3卷积代替较大的卷积核。

例如：

7 × 7

可以用：

3 × 3
3 × 3
3 × 3

进行堆叠。

优势：

更多非线性
更深的网络
更小的Kernel

经典：

VGG16
VGG19

二十四、为什么多个3×3比一个7×7更有吸引力？

假设单个：

7 × 7

参数：

49C²

三个：

3 × 3

参数：

27C²

同时还增加了多次非线性激活。

所以：

3×3
 ↓
ReLU
 ↓
3×3
 ↓
ReLU
 ↓
3×3

具有更强的表达能力。

二十五、ResNet：解决深层网络训练问题

随着网络越来越深：

20层
 ↓
50层
 ↓
100层
 ↓
1000层

出现：

Degradation Problem

不是简单的过拟合，而是网络越深，优化反而变困难。

ResNet提出：

Residual Connection

二十六、Residual Connection

传统：

x
 ↓
F(x)
 ↓
y

ResNet：

       ┌──────────────┐
       │              │
x ─────┼→ F(x) ───────┤
       │              ↓
       └────────────→ +
                       ↓
                       y

数学：

y = F(x) + x

也就是说网络不直接学习：

H(x)

而是学习：

F(x) = H(x) - x

这让深层网络更容易优化。

二十七、ResNet为什么如此重要？

因为Residual Connection后来不仅影响CNN，也影响了Transformer。

现代Transformer中：

x
 ↓
Attention
 ↓
Add(x)
 ↓
LayerNorm

也存在类似：

Residual Connection

因此：

ResNet不仅是CNN架构，它影响了现代深度学习架构设计。

二十八、Batch Normalization

BatchNorm用于稳定网络训练。

基本思想：

原始激活
 ↓
Normalize
 ↓
Scale
 ↓
Shift

即：

x
 ↓
(x - μ) / √(σ² + ε)
 ↓
γx + β

它可以：

稳定训练
改善梯度传播
加快收敛

经典CNN结构：

Conv
 ↓
BatchNorm
 ↓
ReLU

二十九、Dropout

Dropout是一种正则化方法。

训练过程中：

Neuron
Neuron
Neuron
Neuron

随机关闭部分神经元。

例如：

○ ○ × ○ × ○

目的是减少：

Overfitting

不过现代CNN中，随着BatchNorm、Data Augmentation、Weight Decay等方法普及，Dropout的使用方式已经发生变化。

三十、CNN完整结构

一个经典CNN可以表示：

Input Image
     │
     ↓
   Conv2D
     │
     ↓
   BatchNorm
     │
     ↓
    ReLU
     │
     ↓
   Conv2D
     │
     ↓
    ReLU
     │
     ↓
  MaxPooling
     │
     ↓
   Conv Block
     │
     ↓
   Conv Block
     │
     ↓
 Global Average Pool
     │
     ↓
    Linear
     │
     ↓
 Softmax
     │
     ↓
 Classification

三十一、Softmax是什么？

假设模型输出：

[2.1, 0.8, -1.2]

Softmax将它转成概率：

[0.75, 0.20, 0.05]

公式：

P_i = e^z_i / Σ e^z_j

最终：

Cat: 0.75
Dog: 0.20
Car: 0.05

预测：

Cat

三十二、CNN是如何训练出来的？

整个训练过程：

Image
 ↓
CNN Forward
 ↓
Prediction
 ↓
Loss
 ↓
Backpropagation
 ↓
Gradient
 ↓
Optimizer
 ↓
Update Weights
 ↓
Repeat

例如：

loss.backward()
optimizer.step()

三十三、Loss Function

分类任务常用：

Cross Entropy Loss

例如：

criterion = nn.CrossEntropyLoss()

如果真实标签：

Cat

模型预测：

Cat = 0.9
Dog = 0.1

Loss较低。

如果：

Cat = 0.01
Dog = 0.99

Loss很高。

模型通过Loss知道：

当前预测距离正确答案有多远。

三十四、CNN反向传播到底发生了什么？

Forward：

Input
 ↓
Conv
 ↓
ReLU
 ↓
Conv
 ↓
Loss

Backward：

Loss
 ↓
∂Loss/∂Conv2
 ↓
∂Loss/∂ReLU
 ↓
∂Loss/∂Conv1
 ↓
∂Loss/∂Kernel

最终更新：

Kernel

所以CNN中的：

Edge Detector
Texture Detector
Shape Detector

并不是人工写出来的。

而是：

通过反向传播自动学习出来的。

三十五、CNN如何学习一个Edge Detector？

假设模型发现：

Kernel A

能够让某种边缘产生较高激活。

那么训练过程会：

Prediction错误
 ↓
Loss
 ↓
Gradient
 ↓
调整Kernel
 ↓
Edge响应增强

经过数百万次训练样本后：

随机Kernel
 ↓
有意义的Feature Detector

逐渐形成。

这就是Representation Learning。

三十六、感受野 Receptive Field

CNN另一个非常重要的概念：

Receptive Field

一个神经元最终能够“看到”原始图片中的多大区域？

例如：

Layer 1
3×3

感受野：

3×3

再经过一个：

3×3

理论感受野变成：

5×5

再加一层：

7×7

因此：

Network越深
 ↓
Receptive Field越大

浅层：

Local Features

深层：

Global / Semantic Features

三十七、Dilation Convolution

普通卷积：

● ● ●
● ● ●
● ● ●

Dilation可以扩大Kernel的间隔：

这样可以：

增大感受野，同时不显著增加参数量。

常用于：

Semantic Segmentation
Image Processing
Dense Prediction

三十八、Depthwise Separable Convolution

普通卷积：

Input
 ↓
Standard Conv
 ↓
Output

Depthwise Separable Convolution：

Input
 ↓
Depthwise Conv
 ↓
Pointwise Conv
 ↓
Output

Pointwise就是：

1 × 1 Conv

这种设计可以显著降低计算量。

典型代表：

MobileNet

三十九、1×1 Convolution有什么用？

很多人第一次看到：

Conv2d(kernel_size=1)

会觉得：

1×1卷积不是没有空间感受野吗？

它的重要作用之一是：

改变Channel维度。

例如：

56 × 56 × 256

经过：

1 × 1 Conv
64 filters

得到：

56 × 56 × 64

空间尺寸不变，但Channel从：

256 → 64

因此1×1 Conv可以理解成：

对每一个像素位置上的Channel向量进行一次Linear Projection。

四十、CNN计算量如何估算？

卷积层FLOPs通常与：

H × W × Cin × Cout × K²

有关。

例如：

H = 56
W = 56
Cin = 64
Cout = 128
K = 3

计算规模大约：

56 × 56 × 64 × 128 × 9

因此CNN优化时需要重点关注：

Feature Map Size
Channels
Kernel Size
Batch Size

四十一、CNN为什么适合GPU？

CNN本质上包含大量：

Matrix Operation
Tensor Operation
Parallel Computation

例如：

Image
 ↓
Millions of Multiply-Add
 ↓
GPU

GPU拥有大量计算核心，非常适合执行这类高度并行的运算。

PyTorch：

model.cuda()

就可以把模型放到GPU上。

四十二、PyTorch实现一个CNN

一个简单的CNN：

import torch
import torch.nn as nn


class CNN(nn.Module):

    def __init__(self, num_classes=10):
        super().__init__()

        self.features = nn.Sequential(
            nn.Conv2d(3, 32, 3, padding=1),
            nn.BatchNorm2d(32),
            nn.ReLU(),

            nn.Conv2d(32, 64, 3, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(),

            nn.MaxPool2d(2),

            nn.Conv2d(64, 128, 3, padding=1),
            nn.BatchNorm2d(128),
            nn.ReLU(),

            nn.AdaptiveAvgPool2d(1)
        )

        self.classifier = nn.Linear(
            128,
            num_classes
        )

    def forward(self, x):

        x = self.features(x)

        x = torch.flatten(x, 1)

        return self.classifier(x)

这里：

Input
3 × H × W
   ↓
Conv 32
   ↓
Conv 64
   ↓
MaxPool
   ↓
Conv 128
   ↓
Global Average Pool
   ↓
128
   ↓
Linear
   ↓
Classes

四十三、为什么使用AdaptiveAvgPool2d？

传统CNN经常：

Flatten
 ↓
Fully Connected

例如：

7 × 7 × 512

Flatten：

然后：

25088 → 4096

参数量巨大。

使用：

nn.AdaptiveAvgPool2d(1)

直接得到：

1 × 1 × 512

因此：

512 → Classes

参数大幅下降。

四十四、CNN中的Data Augmentation

训练图像模型时，数据增强非常重要。

常见：

Random Crop
Random Flip
Rotation
Color Jitter
Resize
Normalization

例如：

from torchvision import transforms

transform = transforms.Compose([
    transforms.RandomResizedCrop(224),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
])

为什么有效？

因为我们希望模型学习：

Object

而不是：

Specific Pixel Arrangement

例如猫向左：

Cat →

和猫向右：

← Cat

应该属于同一类别。

四十五、CNN在目标检测中的应用

CNN不只是分类。

目标检测任务：

Image
 ↓
CNN Backbone
 ↓
Feature Maps
 ↓
Detection Head
 ↓
Bounding Boxes

例如：

┌──────────────────────┐
│                      │
│   ┌───────┐          │
│   │  Cat  │          │
│   └───────┘          │
│               ┌───┐  │
│               │Dog│  │
│               └───┘  │
└──────────────────────┘

经典模型：

R-CNN
Fast R-CNN
Faster R-CNN
YOLO
SSD
RetinaNet

很多经典检测模型都以CNN作为Backbone。

四十六、CNN在图像分割中的应用

语义分割：

Image
 ↓
CNN Encoder
 ↓
Feature
 ↓
Decoder
 ↓
Pixel-level Prediction

经典架构：

U-Net
FCN
DeepLab

最终输出：

每一个Pixel
 ↓
Class

例如：

Pixel 1 → Road
Pixel 2 → Road
Pixel 3 → Car
Pixel 4 → Person

四十七、CNN与Transformer的关系

近年来：

CNN
 ↓
ViT
 ↓
Swin Transformer
 ↓
Vision-Language Model
 ↓
Multimodal LLM

Transformer在视觉领域快速发展。

但是不能简单认为：

CNN已经被Transformer淘汰。

二者解决问题的思路不同。

四十八、CNN vs Vision Transformer

CNN：

Local
 ↓
Hierarchical
 ↓
Global

Transformer：

Patch
 ↓
Attention
 ↓
Global Interaction

CNN天然具有：

Locality
Translation Equivariance
Parameter Sharing

Transformer更加擅长：

Long-range Dependency
Global Context
Flexible Attention

四十九、为什么Transformer需要大量数据？

CNN拥有比较强的Inductive Bias：

Locality
Spatial Structure
Translation Equivariance

也就是说CNN：

对图像结构已经有先验假设。

Transformer的先验更弱。

因此通常需要更多数据来学习：

什么是局部关系？
什么是空间关系？
什么是物体结构？

这也是CNN在数据规模有限的视觉任务中仍然具有价值的原因之一。

五十、现代CNN已经发生了什么变化？

现代CNN已经不再是简单：

Conv
 ↓
Pool
 ↓
Conv
 ↓
Pool

而是逐渐演化为：

Residual
Depthwise Conv
Attention
Normalization
Large Kernel
Multi-scale
Feature Pyramid

代表架构包括：

ResNet
DenseNet
MobileNet
EfficientNet
ConvNeXt

其中ConvNeXt尤其值得关注。

五十一、ConvNeXt：现代CNN重新思考

ConvNeXt的思想之一是：

把Transformer时代的一些设计经验重新应用到CNN。

例如：

Large Kernel
LayerNorm
Depthwise Conv
Modern Training Recipe

这说明一个非常重要的事实：

CNN和Transformer并不是完全割裂的两套体系。

现代视觉模型正在不断融合两者的思想。

五十二、CNN真正的核心知识体系

如果把CNN压缩成一张知识地图：

CNN
│
├── Tensor
│
├── Convolution
│   ├── Kernel
│   ├── Filter
│   ├── Stride
│   ├── Padding
│   └── Dilation
│
├── Feature
│   ├── Edge
│   ├── Texture
│   ├── Shape
│   └── Semantic
│
├── Downsampling
│   ├── MaxPool
│   ├── AvgPool
│   └── Stride Conv
│
├── Nonlinearity
│   └── ReLU
│
├── Normalization
│   └── BatchNorm
│
├── Optimization
│   ├── Loss
│   ├── Backprop
│   └── Optimizer
│
├── Architecture
│   ├── LeNet
│   ├── AlexNet
│   ├── VGG
│   ├── ResNet
│   ├── MobileNet
│   └── ConvNeXt
│
└── Applications
    ├── Classification
    ├── Detection
    ├── Segmentation
    ├── OCR
    └── Video

五十三、作为AI Engineer，CNN应该学到什么程度？

如果目标是AI应用开发，不一定需要自己实现一个完整CNN训练框架。

但是以下内容必须理解：

第一层：必须掌握

Tensor
Conv
Kernel
Channel
Stride
Padding
Pooling
ReLU
Feature Map

第二层：深入理解

Forward
Backpropagation
Gradient
Loss
Optimizer
Receptive Field
BatchNorm
Residual

第三层：模型架构

LeNet
AlexNet
VGG
ResNet
MobileNet
EfficientNet
ConvNeXt

第四层：工程实践

PyTorch
CUDA
GPU
Mixed Precision
Data Augmentation
Distributed Training
Model Export
Inference

五十四、CNN最重要的本质

如果只记住CNN的几个核心思想，可以记住：

                 CNN
                  │
        ┌─────────┼─────────┐
        ↓         ↓         ↓
      Local    Sharing   Hierarchy
        │         │         │
        ↓         ↓         ↓
      局部      参数共享    层级特征
        │         │         │
        └─────────┼─────────┘
                  ↓
          Visual Representation
                  ↓
       Classification / Detection
       Segmentation / Recognition

CNN真正厉害的地方不是：

“用一个3×3的Kernel扫描图片。”

而是：

通过局部连接和参数共享，把原始像素逐层转换成越来越抽象的视觉表示。

最终：

Pixels
 ↓
Edges
 ↓
Textures
 ↓
Shapes
 ↓
Objects
 ↓
Semantics

这就是CNN最核心的思想。

五十五、从CNN进一步理解现代AI

如果继续向现代AI发展，可以沿着下面的技术演化理解：

CNN
 │
 ├── ResNet
 │
 ├── Object Detection
 │
 ├── Semantic Segmentation
 │
 ├── Vision Transformer
 │
 ├── CLIP
 │
 ├── Vision-Language Model
 │
 └── Multimodal LLM

最终会发现：

CNN
 ↓
Computer Vision
 ↓
Visual Representation
 ↓
Multimodal Representation
 ↓
Vision-Language Model
 ↓
Multimodal Agent

所以学习CNN并不是学习一项“过时技术”，而是在学习：

现代视觉AI的基础计算思想。

结语

CNN经历了从LeNet、AlexNet、VGG到ResNet，再到MobileNet、EfficientNet和ConvNeXt的发展。

它解决的核心问题始终没有改变：

如何让神经网络高效地从空间结构数据中学习层级化特征。

从工程角度看，CNN最值得掌握的不是背诵网络结构，而是理解：

Input Tensor
     ↓
Convolution
     ↓
Feature Extraction
     ↓
Non-linearity
     ↓
Downsampling
     ↓
Hierarchical Representation
     ↓
Prediction
     ↓
Loss
     ↓
Backpropagation
     ↓
Weight Update

一旦真正理解这条链路，后面学习：

ResNet
MobileNet
EfficientNet
ConvNeXt
ViT
Swin Transformer
CLIP
Vision-Language Model
Multimodal LLM

都会容易很多。

CNN不是计算机视觉的终点，而是理解现代视觉AI的一个重要起点。