用deepseek学大模型08-卷积神经网络(CNN)

yuanbao.tencent.com
从入门到精通卷积神经网络(CNN),着重介绍的目标函数，损失函数，梯度下降 标量和矩阵形式的数学推导，pytorch真实能跑的代码案例以及模型,数据，预测结果的可视化展示， 模型应用场景和优缺点，及如何改进解决及改进方法数据推导。

一、目标函数与损失函数数学推导

1. 均方误差（MSE）

标量形式：
$$E(\mathbf{w})=\frac{1}{2}\sum _{i=1}^N(y_i-{\hat{y}}_i{)}^2$$
矩阵形式：
$$E(\mathbf{W})=\frac{1}{2}(\mathbf{Y}-\hat{\mathbf{Y}}{)}^T(\mathbf{Y}-\hat{\mathbf{Y}})$$
其中 $\hat{\mathbf{Y}}=\mathbf{WX}+\mathbf{b}$，适用于回归任务。

2. 交叉熵损失

分类任务公式：
$$L=-\frac{1}{N}\sum _{i=1}^N\sum _{c=1}^C{y}_{i,c}\log ({\hat{y}}_{i,c})$$
其中 $C$ 为类别数，${\hat{y}}_{i,c}$ 为 softmax 输出概率。

---

二、梯度下降的数学推导

标量形式（以 MSE 为例）：

$$\frac{\partial E}{\partial w_j}=\sum _{i=1}^N(y_i-{\hat{y}}_i)\cdot x_{i,j}$$
参数更新：
$$w_j\leftarrow w_j-\eta \frac{\partial E}{\partial w_j}$$

矩阵形式（卷积层梯度）：

设第 $l$ 层卷积核为 ${\mathbf{W}}^{[l]}$，反向传播梯度为：
$$\frac{\partial L}{\partial {\mathbf{W}}^{[l]}}={\mathbf{A}}^{[l-1]}\ast \frac{\partial L}{\partial {\mathbf{Z}}^{[l]}}$$
其中 $\ast$ 表示互相关运算，${\mathbf{Z}}^{[l]}$ 为卷积输出。

---

三、PyTorch 代码案例（MNIST 分类）

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
import matplotlib.pyplot as plt

# 数据加载
transform = transforms.Compose([transforms.ToTensor()])
train_data = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)

# 定义 CNN 模型
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, kernel_size=3)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc = nn.Linear(32*13*13, 10)
    
    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))  # 输出尺寸: (32, 13, 13)
        x = x.view(-1, 32*13*13)
        x = self.fc(x