学前导读：CNN 这一章到底在学什么
这一章解决的是：
图像为什么不能直接按普通表格特征来学，而需要卷积网络。
先建立一张桥接线
如果你是从前面的 MLP 过来的，这一章最值得先看清的一件事是：
- MLP 不是错
- 只是它对图像这种“有空间结构的数据”不够自然
更稳的理解方式是：
所以这一章并不是在否定全连接网络，而是在回答：
当数据是图片时，网络结构为什么要跟着变。
这一章的主线
这一章更适合新人的学习顺序
-
先搞懂卷积到底在做什么
不要急着背架构名，先把“局部连接、参数共享、感受野”这几个词立住。 -
再看 CNN 的基本结构
先把卷积块、池化、通道数和分类头串起来。 -
再看经典架构演进
这时你再看 LeNet / AlexNet / VGG / ResNet，会更像在看设计演进，而不是模型名单。 -
然后看迁移学习
这会让你第一次感受到“为什么视觉里常常不从零训”。 -
最后做图像分类项目
把训练、评估、错误分析真正串起来。
这一章最该先抓住什么
- 图片不是普通表格
- 卷积最核心的价值是保留空间结构
- CNN 的很多设计，都是在平衡表达能力、参数量和训练稳定性
- 后面的分类、检测、分割，其实都会建立在这章直觉上
新人最容易卡住的地方
- 只记“卷积核会滑动”，但不知道为什么要这么做
- 看到很多 shape 变化就乱
- 记住模型名字，却说不清为什么结构会演进
- 一上来就想做大模型，不先做最小图像分类闭环
学完这一章后，你应该能自己回答什么
- 为什么图像任务更适合卷积而不是直接展平
- 一个卷积层到底在提取什么
- CNN 里通道、池化、感受野分别在干什么
- 为什么迁移学习在视觉任务里这么常见
新人和进阶学习者怎么读
新人第一次学这一章时，先抓住主线和最小可运行例子。你不需要一次理解所有细节，只要能说清楚这一章解决什么问题、输入输出是什么、最小项目怎么跑起来，就可以继续往后走。
有经验的学习者可以把这一章当成查漏补缺和工程化练习：关注边界条件、失败案例、评估方式、代码可复现性，以及它和前后阶段的连接。读完后最好能把本章内容沉淀到自己的作品 README 或实验记录里。
学习时间与难度建议
| 学习方式 | 建议投入 | 目标 |
|---|---|---|
| 快速浏览 | 20～30 分钟 | 看懂本章解决什么问题，知道后面会用到哪里 |
| 最小通关 | 1～2 小时 | 跑通一个最小例子，完成本章小项目出口 |
| 深入练习 | 半天～1 天 | 补充错误分析、对比实验或项目 README 记录 |
本章自测问题
| 自测问题 | 通过标准 |
|---|---|
| 这一章解决什么问题？ | 能用一句话说明它在整门课里的位置 |
| 最小输入输出是什么？ | 能说清楚例子需要什么输入，会产生什么结果 |
| 常见失败点在哪里？ | 能列出至少一个报错、效果差或理解偏差的原因 |
| 学完后能沉淀什么？ | 能把本章产出写进项目 README、实验记录或作品集 |
本章小项目出口
学完这一章后，建议完成一个最小练习：选择一个本章最核心的概念或工具，做出一个可以运行、可以截图、可以写进 README 的小成果。它不需要复杂，但要能说明输入是什么、处理过程是什么、输出结果是什么。
过关标准
这一章结束时，你应该能用自己的话说明本章解决什么问题、它和前后学习站有什么关系，并能完成本章小项目出口的最小版本。
如果你还能记录一次常见错误、一次调试过程或一次结果改进，就说明你已经不只是“看过内容”，而是在把这一章变成自己的项目经验。