文章导读
大家好，我是苏承栈。今天要和大家聊聊深度学习中的CNN（卷积神经网络）。很多新手对CNN的理论公式感到困惑，但动手写代码实践起来就完全不一样了。接下来，我会带你一步步在InsCode(快马)平台上通过代码理解CNN的基本原理。
为什么选择CNN作为入门？
CNN是处理图像数据的标配，但新手容易被各种层搞晕。其实，CNN的核心就四步：卷积提取特征、ReLU激活、池化降维、全连接分类。通过代码实现这四步，比看十篇理论都管用。
搭建最简单的CNN结构
我们创建一个只有基础层的网络：
- 输入：假设是3通道的5×5小图片（比如RGB三色的迷你图标）
- 卷积层：用3×3的卷积核，输出4个特征图
- ReLU层：把负数激活为零，增强非线性
- 最大池化：2×2窗口取最大值，让特征更明显
- 全连接层：把特征展平后输出分类结果
关键代码逻辑说明
在PyTorch里定义网络类时，特别注意：
- 卷积层的
in_channels和out_channels要匹配前后层 - 池化层会改变特征图尺寸，比如5×5经过2×2池化变成2×2（向下取整）
- 全连接层的输入尺寸需要计算前一层的总神经元数
打印形状的秘密
我在每层后都加了打印语句，比如：
卷积后显示