卷积神经网络和深度神经网络的区别是什么？

关注

原创最新推荐文章于 2026-05-11 11:54:33 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

卷积神经网络与图像识别,图像分类卷积神经网络 卷积神经网络有以下几种应用可供研究：1、基于卷积网络的形状识别物体的形状是人的视觉系统分析和识别物体的基础，几何形状是物体的本质特征的表现，并具有平移、缩放和旋转不变等特点，所以在模式识别领域，对于形状的分析和识别具有十分重要的意义，而二维图像作为三维图像的特例以及组成部分，因此二维图像的识别是三维图像识别的基础。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。②具有联想存储功能。. 阅读详情

近 6000 字长文梳理深度神经网络结构。

先来一个省流版回答：卷积神经网络（CNN）只是深度神经网络（DNN）家族中的一员，其处理数据（如图像）的核心方式是卷积操作，因此而得名。而深度神经网络不是某一种网络，而是一个统称，它可以是任何结构的神经网络，自然CNN也包含其中。原则上，只要神经网络层数达到一定数量（当然也不是固定的）都可以称作DNN。

好了，解释完了，下面进入找茬时间，请快速从下图中找到卷积神经网络。

图片来源：https://www.asimovinstitute.org/neural-network-zoo/

是不是看起来似乎都一个样，因为这些不同的神经网络本质上都是由基本的计算单元（神经元）构成的，差别主要体现在神经元之间的链接模式，神经层的安排，权重共享和局部感知域，以及数据流向等方面。

想深入了解的请往下看。

理解神经网络中的基本概念

神经元

神经元（Neuron）是人工神经网络（ANN）的基本运算单元，它模拟通过模拟生物神经元的工作方式来处理数据。下面是一个人工神经元的基本构成和工作原理：

输入。输入是一组原始数据（比如图像的像素值）或前一层神经元的输出，即图中的x；
权重和偏置。每一个输入信号都对应着一个权重（w），它的意义是觉得哪一路信号更重要（高权值），所谓的训练模型就是不断更新这些权值。偏置（b）则是传递函数中一个独立于输入值的参数。
传递函数。简单说就是把所有的输入信号组合称为一个输输出值，计算方式是加权之和，再加上偏置b，即图中的net_i。
激活函数。传递函数计算出来的输出值，还要经过一个激活函数才能成为神经元最终的输出。它的作用是引入非线性关系，使得神经网络能模拟和学习复杂的数据模式。常见的激活函数包括Sigmoid、ReLU、Tanh等
输出。经过激活函数处理后的值就是该神经元的输出，它将作为输入被传递给下一个神经层的神经元。

现在已经有了一个神经元，把多个这样的神经元堆叠在一起就构成了一层神经层，而多个神经层沿着纵向继续堆叠下去，就形成了深度神经网络。所谓的“深”其实就是表达神经网络的层数的规模和每层的复杂程度。

一点最典型的神经网络由输入层（1个）、隐藏层（1个或多个）和输出层构成。比如下面这个网络就包含两个隐藏层。

不同的神经网络结构就是如何设计这些神经元的运算、连接方式，不同神经层的安排，以及数据流向等等，以达到处理各种结构数据的目的。

深度神经网络DNN——MLP

一个最基本、最典型的DNN就是多层感知机（MLP），上图中这个共4层的全连接网络就是一个多层感知机。从数据流的角度看，它是一种前馈神经网络。

基本结构。多层感知机包含一个输入层和一个输出层，中间则是多个隐藏层，每一层由一系列神经元组成。运算方式也如同上面讲解神经元的基础运算方式相同。除此之外，它没有更特殊的结构。
用途。尽管结构简单，多层感知机还是可以学习输入数据和输出数据之间的复杂关系，用于分类、回归等机器学习任务。
局限。它在处理高维数据（如图像）或序列数据（如时间序列数据、文本等）时，相较于专门的设计的网络结构，在效率和效果上都有很大的局限。

卷积神经网络CNN

卷积神经网络是专门被设计为用来处理“网格状”结构数据的，比如图像（2D像素网格）和时序数据（时间网格）。

基本结构。一个典型的CNN由卷积层、池化层和全连接层组成。

图片来源：https://sites.google.com/view/cs502project/deep-learning-for-biology-a-tutorial/deep-learning-models-dnns-cnns-rnns-autoencoders

卷积层

卷积层是CNN最核心，也是让它区别于其他NNs的地方。顾名思义，卷积层是完成卷积操作。

以图像为例，其数据是2维网格状结构，卷积计算通过卷积核（kernels或filters）在2维平面上遍历来完成。

动图封面

图片来源：https://towardsdatascience.com/convolutional-neural-network-1368ee2998d3

卷积核中的数值就是神经网络的权重，也就是要学习的参数，将权重与对应输入位置的值（如果是输入层就是像素值，如果是中间层就是中间层神经元的激活值）相乘，再与偏置相加，经过激活函数，便得到了对应的输出。可以看出，其实本质上跟上面介绍的神经元的计算方式相类似，也是求加权和。

相比于传统的MLP，不同之处在于：

局部连接。卷积操作中相邻层的神经元是局部连接的，下一层神经元的值只取决于卷积核覆盖的窗口上的值；
权重共享。在一个卷积层中，使用同一个卷积核对不同区域的数据进行处理。

这两个主要差别使得卷积网络具有更少的参数数量。同时因为局部连接性，CNN能有效提取图像数据中的边缘、角点等局部特征，而随着层级的深入，学到的特征则进一步反应图像的全局模式，这种逐层建立从低级到高级的特征表示使得CNN在计算机视觉任务中表现非常好。

池化层

池化层是紧跟在卷积层之后的，它是一种降采样操作，可有效降低数据维度，进而降低模型参数量；同时保证特征的空间不变性。常见的池化操作有最大池化，平均池化。如下图演示的是最大池化，即选取窗口中的最大值最为输出。池化操作是无参数化操作。

全连接层

全连接层是CNN最后的部分，经过多层的卷积+池化层，输入数据（图像）被处理为特征图（feature maps），特征图需要被flatten（展开）为一维向量，以输入给全连接层完成接下来的具体任务（如分类）。

以上就是卷积神经网络的基本结构和工作流程。简单说，它的基本思想是使用卷积操作处理局部数据，这使得它在处理具有空间结构（如图像）的数据时具有很大的优势，能从数据中有效地学习复杂的模式，具有很好的表征能力，所以在图像分类、图像检索和目标识别和检测等CV任务上表现很好。

上一轮人工智能热潮就是以2012年的AlexNet为代表的CNN引爆的，接下来几年，各种类型的CNN层出不穷，比如GoogleNet，VGG，ResNet等等。

CNN学习资源

希望深入学习卷积神经网络的，这是几个比较好的博文和课程：

Transformer（以及AI大模型）

如果说卷积神经网络（AlexNet为代表）引爆了上一次人工智能的发展，那么本轮（2023年开始）人工智能变革则是由Transformer引领的。

现在我们用到的GPT等最强的AI工具都是基于大语言模型的（LLM），比如GPT-4、Llama等，这些大语言模型内部的基本结构就是Transformer。

即使你不是人工智能领域的，去年这一年也一定听说过“AI大模型”这个词。这主要是因为基于AI大模型的聊天机器人（以GPT为代表）出现之后，一下子刷新了人们对AI的认知。这东西居然能这么像人，最重要的是它可以这么好用。聊天、写文章、写代码、回答各种问题、办公、搞科研、以及作图等等，很多任务都能完成，而且完成得还很好。所以过去这一年chatbot类工具已经成为最收欢迎的AI产品，而且是各行各业都受到影响。

有的时候AI大模型比网上搜索东西更好用，因为它可以定制化的生成回答，只要把自己的情况和需求描述清楚即可。就比如对于题目这个问题，如果你没有深度学习方面的专业知识，那么向ChatGPT（以及同类AI工具）提问的时候，就可以说明自己的情况，让它讲得通俗一些。下面是它的回答：

讲得还是非常清楚的。而且你可以多轮对话的方式逐步的学习更多概念，从而把问题搞清楚。当然这是非常基础的用法，现在支持图像、语音多模态的AI大模型能做的事情远远不止于此，简单来说，对于一个任务，它很擅长做0到60%的那部分，然后你去专注做剩下的它不能完成的那部分就好。如果用的好，是可以极大提升工作和学习效率的。

Transformer基本思想

说回Transformer本身，它擅长自然语言处理，在它出现之前，RNNs，LTSM等网络模型是NLP领域的常用深度学习模型。

Transformer很关键一个技术是自注意力机制，它能够有效捕捉序列信息中长距离依赖关系，相比于以往的RNNs，在处理长序列时的表现更好。

自注意力机制的另一个特点是并行计算，因此Transformer结构让模型的计算效率更高，加速训练和推理速度。

Transformer最开始应用于NLP领域的机器翻译任务，但是它的通用性很好，除了NLP领域的其他任务，经过变体，还可以用于视觉领域，如ViT（Vision Transformer）。

Transformer学习资源

深入了解Transformer，可以参考的一些资料：

https://blog.research.google/2017/08/transformer-novel-neural-network.html，谷歌官方团队在Transformer刚出来时的一篇博客，重点关注Transformer在机器翻译领域的应用。
https://jalammar.github.io/illustrated-transformer/，用最直观的方式可视化讲解Transformer的原理。
https://lilianweng.github.io/posts/2020-04-07-the-transformer-family/，系统讲述Transformer家族模型。
https://bbycroft.net/llm，一个非常牛的可视化大模型工作原理的网站，主要是感受一下什么是“大”模型。

下图可视化的是参数数量为85584的Nano-GPT模型的工作过程。

动图封面

而它跟参数数量为1750亿的GPT-3比起来，画风是这样的。

上面已经提到了MLP、CNN和Transformer三种神经网络结构，当然神经网络结构远不止这些。除此之外，常见的深度神经网络结构还有AE，VAE，RNN，GAN，GNN等等。

自编码器AE

基本结构。自编码器是一种用于无监督学习的神经网络结构，包括编码器（Encoder）和解码器（Decoder）两个部分。目标是通过网络学习数据的压缩表示，然后再重建数据。

应用场景。降维，数据去噪，特征提取等。
AE变体。自编码器有很多形式的变体，比如变分自编码器（VAE）是自编码器的一种生成式变体，它不仅学习数据表示的编码，还学习编码的分布，使其能生成新的、类似于训练数据的实例。
学习资料。https://www.datacamp.com/tutorial/introduction-to-autoencoders

递归神经网络RNN

递归神经网络（Recurrent Neural Network，RNN）是一种专门用来来处理序列数据的神经网络，它在nlp、时间序列分析等领域中非常有效。

基本结构。RNN基本思想是利用序列的时间动态性，通过维护一个隐藏状态，也就是被称为“记忆”的机制，使得新型可以在不同时间步之间进行传递，从而捕获目前为止的所有数据的信息。RNN的基本结构包括输入层、隐藏层和输出层。核心是隐藏层，每个step的隐藏层都接收当前输入和前一时间步的隐藏层输出。
RNN变体。为了客服计算效率和长距离依赖关系等问题，RNN发展出来很多变体，如长短期记忆网络（LSTM）、门控循环单元（GRU）等。
应用场景。RNN应用在NLP领域较多，用于机器翻译、文本生成等，其他领域还包括时序相关的数据分析（如股票价格预测、天气预测）、视频分析以及音乐生成等。
学习资料。https://dennybritz.com/posts/wildml/recurrent-neural-networks-tutorial-part-1/

生成对抗网络GAN

生成对抗网络（Generative Adversarial Networks，GANs）也是引起一番浪潮的深度学习模型。GAN 是一种生成模型，通过一种“对抗”的结构学习数据模式，进而生成全新的合成数据。

基本结构。GAN有两个主要部分组成：生成器（Generator）和判别器（Discriminator），这两个网络在学习过程中相互对抗，从而提高各自的性能。生成器的任务是创建数据；判别器的任务是区分生成器产生的数据和真实数据。一个类比，相当于一个人生产假币，而另一个人负责鉴别假币，他们二人在不断的“学习”过程中提高各自的能力，生成器学习如何产生越来越逼真的数据，而判别器学习如何更好地区分真伪。
应用场景。生成对抗网络的应用非常广泛，比如图像领域用于生成风格化照片、人脸合成等；也可用于数据增强领域，对于数据有限的情况，通过生成新的数据来扩充数据集，比如医学影像；艺术创作领域，音乐合成，以及帮助艺术家创作绘画作品等。
学习资料。https://machinelearningmastery.com/what-are-generative-adversarial-networks-gans/

比如，还拿学习CNN来举例。假如你刚学CNN，然后看到一个卷积神经网络的参数表，不太看得懂列出参数的都代表什么意思，那么你可以直接截图上传给ChatGPT，让它帮你讲解：