第3章 卷积神经网络
覆盖CNN结构、卷积层、池化层、全连接层、输出层和端到端训练；用五阶段信号、单故障训练轨迹和可复现实验门完成独立复核。
学习目标
- 能说明“第3章 卷积神经网络”如何覆盖CNN结构、卷积层、池化层、全连接层、输出层和端到端训练，并把2016原版、2018中文版与当前迁移信息分层
- 能先预测“怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？”的五阶段信号，再用输入、中间状态、输出和反例逐层复核
- 能注入“错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误”，用“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”决定接受、修正或拒绝实验结论
为什么从这个学习任务开始
CNN页从形状合同开始，因为卷积网络最常见的错误不是公式不会背，而是空间维、通道维与边界处理没有对齐。 “第3章 卷积神经网络”的贯穿任务是：对一幅小图像手算卷积与池化，再用同一核平移比较输出位置，最后接分类头和损失。 操作前必须写下哪一阶段会先变化，运行后再补理由不算预测。
本页围绕“怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？”建立正常、故障与恢复路径。只有“第3章 卷积神经网络”守住“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”并交付输入布局、卷积核、步幅、填充、输出形状、特征图、池化索引、分类头、损失、梯度与边界样例。，最终图表或指标才构成学习证据。
书目、59个原版层级与重写边界
讲谈社官方书页确认山下隆义《イラストで学ぶ ディープラーニング》于2016年出版、215页、ISBN 9784061538252，并公开8章51个编号小节；中文版书目用于交叉核对张弥译、人民邮电出版社2018年版。覆盖分母计入8个章标题和51个编号小节，共59个原版目录层级。
“第3章 卷积神经网络”未取得原书完整正文，只以权威目录限定范围；中文解释、图示结构、交互、实验、练习与答案均为独立教学重写。本章只复原经典CNN训练链；视觉Transformer等后来架构可在另课比较，不属于原版3.1至3.7。
本页另以技术核对 1、技术核对 2、技术核对 3核对技术机制。2016年原版范围、后来项目状态与当前迁移建议分别标注；技术资料能验证机制或工具状态，不能反向证明原书正文采用了本站表述。
原版目录层级与可检验机制
第3章 卷积神经网络
↡卷积神经网络对应原版目录坐标“第3章 卷积神经网络”，在“第3章 卷积神经网络”中用于从阈值单元推进到可训练的多层前馈计算，并受数据、目标、随机性、版本和时间边界约束。原版坐标 1/8。 在“第3章 卷积神经网络”的坐标1中，目录项「第3章 卷积神经网络」用于从阈值单元推进到可训练的多层前馈计算；先锁定条件，再以拓扑、权重、偏置、加权和、激活和预测复核，出现把线性分类能力外推到不可线性分问题时撤回结论。
3.1 卷积神经网络的结构
↡卷积神经网络的结构对应原版目录坐标“3.1 卷积神经网络的结构”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 2/8。 目录项「3．1 卷积神经网络的结构」进入“第3章 卷积神经网络”后要回答第2个实验问题：它怎样以局部连接、参数共享和下采样构造空间表示、改变什么状态、由哪些张量布局、核、步幅、填充、特征图、池化索引和梯度证明，并如何排除用硬改维度掩盖卷积形状错误。
3.2 卷积层
↡卷积层对应原版目录坐标“3.2 卷积层”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 3/8。 围绕“怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？”，原版层级3把「3．2 卷积层」解释为以局部连接、参数共享和下采样构造空间表示；复核者先读取张量布局、核、步幅、填充、特征图、池化索引和梯度，不能接受用硬改维度掩盖卷积形状错误。
3.3 池化层
↡池化层对应原版目录坐标“3.3 池化层”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 4/8。 对“第3章 卷积神经网络”而言，目录项「3．3 池化层」的最小合同是以局部连接、参数共享和下采样构造空间表示，第4次检查保存张量布局、核、步幅、填充、特征图、池化索引和梯度；若产生用硬改维度掩盖卷积形状错误，就返回上游重放。
3.4 全连接层
↡全连接层对应原版目录坐标“3.4 全连接层”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 5/8。 第5个正式坐标「3．4 全连接层」服务于覆盖CNN结构、卷积层、池化层、全连接层、输出层和端到端训练，需要以张量布局、核、步幅、填充、特征图、池化索引和梯度呈现以局部连接、参数共享和下采样构造空间表示；用硬改维度掩盖卷积形状错误会破坏“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”。
3.5 输出层
↡输出层对应原版目录坐标“3.5 输出层”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 6/8。 学习者在“第3章 卷积神经网络”中讨论目录项「3．5 输出层」前预测以局部连接、参数共享和下采样构造空间表示会改变哪项张量或状态，再读取张量布局、核、步幅、填充、特征图、池化索引和梯度；观察到用硬改维度掩盖卷积形状错误时保留失败轨迹。
3.6 神经网络的训练方法
↡神经网络的训练方法对应原版目录坐标“3.6 神经网络的训练方法”，在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，并受数据、目标、随机性、版本和时间边界约束。原版坐标 7/8。 在“第3章 卷积神经网络”的坐标7中，目录项「3．6 神经网络的训练方法」用于以局部连接、参数共享和下采样构造空间表示；先锁定条件，再以张量布局、核、步幅、填充、特征图、池化索引和梯度复核，出现用硬改维度掩盖卷积形状错误时撤回结论。
3.7 小结
↡小结对应原版目录坐标“3.7 小结”，在“第3章 卷积神经网络”中用于把本章概念压缩为可重放的输入、操作、输出和证据合同，并受数据、目标、随机性、版本和时间边界约束。原版坐标 8/8。 目录项「3．7 小结」进入“第3章 卷积神经网络”后要回答第8个实验问题：它怎样把本章概念压缩为可重放的输入、操作、输出和证据合同、改变什么状态、由哪些概念清单、关键不变量、单一故障、实验工件和复核结论证明，并如何排除只复述名词而没有实验验收。
先预测，再操作三个章专属实验
1. 五阶段信号路径
固定“对一幅小图像手算卷积与池化，再用同一核平移比较输出位置，最后接分类头和损失。”，在基线与边界反例间切换，逐一查看“图像张量、卷积、激活与池化、分类头、损失与反传”的输入、操作、输出与复核证据。
信号路径
固定场景，逐层核对输入与输出
怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？
固定条件
对一幅小图像手算卷积与池化，再用同一核平移比较输出位置，最后接分类头和损失。 固定数据、代码、依赖、初值与随机种子。
操作前预测：沿“图像张量 → 卷积 → 激活与池化 → 分类头 → 损失与反传”得到满足“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”的完整证据。
输入
第3章 卷积神经网络：冻结的样本、任务或上游张量
操作
登记形状、版本和边界，并守住“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”
输出
可追踪输入
复核证据
数据卡、哈希与形状；出现“错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误”时保留失败记录
原版坐标：第3章 卷积神经网络、3.1 卷积神经网络的结构、3.2 卷积层、3.3 池化层、3.4 全连接层、3.5 输出层、3.6 神经网络的训练方法、3.7 小结
第3章 卷积神经网络的可重放实验协议
| 阶段 | 学习动作 | 必留证据 | 拒绝条件 |
|---|---|---|---|
| 图像张量 | 在“第3章 卷积神经网络”执行图像张量，一次只改变声明变量 | 任务、数据切分、版本与输入形状 | 输入或数据边界不可追溯 |
| 卷积 | 在“第3章 卷积神经网络”执行卷积，一次只改变声明变量 | 中间张量、参数、目标、梯度或采样状态 | 错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误 |
| 激活与池化 | 在“第3章 卷积神经网络”执行激活与池化，一次只改变声明变量 | 中间张量、参数、目标、梯度或采样状态 | 错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误 |
| 分类头 | 在“第3章 卷积神经网络”执行分类头，一次只改变声明变量 | 中间张量、参数、目标、梯度或采样状态 | 错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误 |
| 损失与反传 | 在“第3章 卷积神经网络”执行损失与反传，一次只改变声明变量 | 留出指标、反例、环境与时间标签 | 无法独立重放或解释失败 |
unit: "idl-03"
question: "怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？"
scenario: "对一幅小图像手算卷积与池化，再用同一核平移比较输出位置，最后接分类头和损失。"
stages: ["图像张量", "卷积", "激活与池化", "分类头", "损失与反传"]
invariant: "张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致"
fault: "错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误"
evidence: "输入布局、卷积核、步幅、填充、输出形状、特征图、池化索引、分类头、损失、梯度与边界样例。"
reset: restore_scenario_stage_trace_mode_step_gates_and_artifact该协议要求“第3章 卷积神经网络”在相同任务、数据、代码、环境、初值与种子下重放。重置后若场景、阶段、轨迹模式、步骤、发布门或证据显示没有回到基线，交互状态已经污染比较，不能作为实验结论。
本页回顾
掌握“第3章 卷积神经网络”不是记住框架或名词，而是能围绕“怎样根据输入、核、步幅和填充推导特征图形状，并证明局部连接和共享参数实际生效？”重建输入、计算与证据，并用“张量布局、核尺寸、步幅、填充、池化、头部与标签契约固定，前向形状和反向梯度一致”拒绝“错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误”。最终交付为输入布局、卷积核、步幅、填充、输出形状、特征图、池化索引、分类头、损失、梯度与边界样例。
练习与答案
练习
- 问题 1：实验合同。 “第3章 卷积神经网络”为什么必须先冻结任务、数据、代码、环境、参数初值与随机种子？
- 问题 2：目录逐项覆盖。 怎样证明原版目录坐标已经进入机制、交互和练习？
- 问题 3：故障恢复。 怎样证明“错误理解填充或通道维导致特征图尺寸不符，却在全连接层硬改输入维度掩盖上游错误”已经被修正？
名词解释
名词解释
本章出现的专业名词，用大白话再讲一遍。
- 卷积神经网络
对应“第3章 卷积神经网络”；在“第3章 卷积神经网络”中用于从阈值单元推进到可训练的多层前馈计算，需要连接原版范围、实验状态与时间边界。
- 卷积神经网络的结构
对应“3.1 卷积神经网络的结构”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 卷积层
对应“3.2 卷积层”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 池化层
对应“3.3 池化层”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 全连接层
对应“3.4 全连接层”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 输出层
对应“3.5 输出层”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 神经网络的训练方法
对应“3.6 神经网络的训练方法”；在“第3章 卷积神经网络”中用于以局部连接、参数共享和下采样构造空间表示，需要连接原版范围、实验状态与时间边界。
- 小结
对应“3.7 小结”；在“第3章 卷积神经网络”中用于把本章概念压缩为可重放的输入、操作、输出和证据合同，需要连接原版范围、实验状态与时间边界。