CNN 五大经典网络结构笔记：LeNet、AlexNet、VGG、GoogLeNet 与 ResNet

学习 CNN 的时候，很容易一上来就被各种网络名字淹没：LeNet、AlexNet、VGG、GoogLeNet、ResNet……它们看起来都叫“卷积神经网络”，但每一个出现的背景和解决的问题并不一样。

这篇笔记不追求把论文细节全部展开，而是先从小白能理解的角度，把五个经典结构串起来：

• LeNet：CNN 的早期雏形，证明卷积网络可以做图像识别
• AlexNet：让深度学习在 ImageNet 上爆发
• VGG：用很规整的小卷积核堆出深网络
• GoogLeNet：用 Inception 模块提高计算效率
• ResNet：用残差连接解决深层网络难训练的问题

如果你刚开始学计算机视觉，可以把这篇当成一张“CNN 发展路线图”。

目录

1. 先理解 CNN 在做什么
2. LeNet：CNN 的经典起点
3. AlexNet：深度学习视觉时代的开端
4. VGG：简单、规整、容易迁移
5. GoogLeNet：让网络在不同尺度上看图像
6. ResNet：让网络可以真正变深
7. 五个网络放在一起怎么记

1. 先理解 CNN 在做什么

CNN，全称是 Convolutional Neural Network，中文一般叫卷积神经网络。

它最擅长处理图像，因为图像有两个非常明显的特点：

1. 局部相关性：一个像素和周围像素关系很强，比如边缘、纹理、角点通常都出现在局部区域。
2. 空间结构：图像不是一串无序数字，左上、右下、上下左右的位置关系都很重要。

普通全连接网络会把图片拉平成一个长向量，这样会破坏很多空间信息。而 CNN 会保留图像的二维结构，通过卷积核在图像上滑动，逐步提取特征。

一个最基础的 CNN 通常由这些部分组成：

可以把 CNN 理解成一个从低级到高级的识别过程：

原始像素
  ↓
边缘、颜色、简单纹理
  ↓
局部形状、部件
  ↓
完整物体特征
  ↓
分类结果

下面的五个网络，就是 CNN 从“能用”到“很深、很强、很高效”的几个重要阶段。

2. LeNet：CNN 的经典起点

LeNet 通常指 LeNet-5，由 Yann LeCun 等人在 1998 年提出，最早主要用于手写数字识别，比如识别支票、邮政编码里的数字。

2.1 它解决了什么问题？

在 LeNet 之前，图像识别更多依赖人工设计特征。比如你要识别数字 8，可能需要人为设计“有没有闭环”“上下是否对称”等特征。

LeNet 的意义在于：它让模型自己从数据中学习特征。

也就是说，不再完全依赖人手写规则，而是让卷积层自己学会哪些局部形状对分类有用。

2.2 LeNet 的结构怎么理解？

LeNet 的整体结构比较简单：

输入图像
  → 卷积层
  → 池化层
  → 卷积层
  → 池化层
  → 全连接层
  → 输出类别

它有两个非常重要的思想：

1. 卷积提特征：用卷积核扫描图像，提取局部模式。
2. 池化做压缩：降低特征图大小，让后面的计算更轻。

2.3 小白应该记住什么？

LeNet 不复杂，但它奠定了 CNN 的基本模板：

卷积 → 池化 → 卷积 → 池化 → 分类

后来很多 CNN 虽然变得更深、更复杂，但基本思想还是从这里发展出来的。

3. AlexNet：深度学习视觉时代的开端

AlexNet 是 2012 年 ImageNet 比赛中的冠军模型。它的出现通常被认为是深度学习在计算机视觉领域真正爆发的标志。

3.1 为什么 AlexNet 这么重要？

ImageNet 是一个大规模图像分类数据集，类别多、图片多，难度远高于手写数字识别。

AlexNet 在这个比赛中大幅领先传统方法，说明深层 CNN 可以在大规模自然图像上取得非常强的效果。

它的重要性不只是“准确率高”，而是证明了几件事：

1. 深层网络真的可以训练起来
2. GPU 可以显著加速深度学习训练
3. 大数据 + 深模型 + 强算力 是计算机视觉突破的重要组合

3.2 AlexNet 的关键设计

AlexNet 比 LeNet 更深，大致由多个卷积层和全连接层组成。

它有几个经典设计：

其中 ReLU 很关键。它的形式很简单：

ReLU(x) = max(0, x)

输入大于 0 就保留，小于 0 就变成 0。这个简单函数让深层网络训练速度明显提升。

3.3 小白应该记住什么？

AlexNet 的意义是把 CNN 从“小规模任务”推向了“大规模真实图像分类”。

如果 LeNet 证明了 CNN 能做图像识别，那么 AlexNet 证明了：深层 CNN 可以在大数据上击败传统视觉方法。

4. VGG：简单、规整、容易迁移

VGG 是 2014 年提出的经典网络，常见版本有 VGG-16 和 VGG-19。这里的数字表示网络中带参数的层数。

4.1 VGG 的核心思想

VGG 最有代表性的特点是：大量使用 3×3 小卷积核，并把它们重复堆叠起来。

你可能会问：为什么不用一个大的卷积核，比如 5×5 或 7×7？

原因是多个 3×3 卷积堆起来，也可以获得较大的感受野，同时参数量更可控，还能引入更多非线性。

例如，两个 3×3 卷积连续堆叠后，看到的区域大致相当于一个 5×5 感受野：

3×3 卷积 → 3×3 卷积 ≈ 5×5 感受野

三个 3×3 卷积连续堆叠后，感受野大致相当于 7×7。

4.2 VGG 为什么适合学习？

VGG 的结构非常规整，基本就是不断重复：

卷积 → 卷积 → 池化
卷积 → 卷积 → 池化
卷积 → 卷积 → 卷积 → 池化
...
全连接 → 分类

这种结构的优点是容易理解，也容易作为特征提取器使用。

在很多早期迁移学习任务中，人们会直接拿预训练好的 VGG，把最后的分类层换掉，用来做自己的任务。

4.3 VGG 的不足

VGG 的缺点也很明显：参数量很大，尤其是后面的全连接层非常重。

所以它虽然经典，但在实际部署中不一定高效。后来很多网络都在尝试解决一个问题：怎么在保持准确率的同时减少计算量和参数量？

4.4 小白应该记住什么？

VGG 可以用一句话概括：

用简单统一的 3×3 卷积不断堆叠，构造更深的 CNN。

它的价值在于结构清晰，非常适合入门者理解“深度增加”这件事。

5. GoogLeNet：让网络在不同尺度上看图像

GoogLeNet 是 2014 年 ImageNet 比赛中的冠军模型，也叫 Inception v1。注意它的名字中间是 LeNet，完整写法常见为 GoogLeNet。

5.1 为什么需要 Inception？

前面的网络大多是“一层接一层”地往下堆。但图像里的物体大小并不固定：

• 有些特征很小，比如边缘、角点
• 有些特征稍大，比如眼睛、轮子
• 有些特征更大，比如脸、车身

如果只用一种卷积核尺寸，可能不够灵活。

GoogLeNet 的想法是：在同一层里并行使用多种尺度的卷积，再把结果拼接起来。

5.2 Inception 模块怎么理解？

一个简化的 Inception 模块可以理解为：

输入特征图
  ├── 1×1 卷积
  ├── 3×3 卷积
  ├── 5×5 卷积
  └── 池化
        ↓
     拼接输出

这样做的好处是，网络可以同时从不同尺度观察图像。

小卷积核擅长看局部细节，大卷积核能看到更大范围的信息，池化分支则提供另一种压缩后的特征。

5.3 1×1 卷积的作用

GoogLeNet 里大量使用 1×1 卷积。刚接触时可能会觉得奇怪：1×1 这么小，能提取什么空间特征？

其实 1×1 卷积主要不是为了看空间范围，而是为了调整通道数。

可以把它理解成：

在每个像素位置上，对不同通道的信息做一次重新组合

它常用于降维，减少后续 3×3、5×5 卷积的计算量。

5.4 小白应该记住什么？

GoogLeNet 的关键词是：

• Inception 模块
• 多尺度并行卷积
• 1×1 卷积降维
• 更高效地利用计算资源

它不只是单纯把网络加深，而是在思考：怎么让网络结构更聪明、更高效。

6. ResNet：让网络可以真正变深

ResNet 是 2015 年提出的残差网络，在深度学习历史上非常重要。它解决了一个关键问题：网络越来越深以后，反而可能更难训练。

6.1 深层网络为什么不好训练？

直觉上，网络越深，表达能力应该越强。但实际训练时会遇到问题：

• 梯度在反向传播中变得很弱，前面的层学不动
• 层数增加后，优化难度变大
• 更深的网络不一定比浅层网络效果好

这不是简单的过拟合问题，而是深层网络本身训练困难。

6.2 残差连接是什么？

ResNet 的核心设计是残差块。普通网络学习的是：

H(x)

也就是直接学习输入到输出的完整映射。

ResNet 改成学习：

F(x) = H(x) - x

最后输出时再把输入加回去：

H(x) = F(x) + x

结构上可以理解为：

输入 x
  ├───────────────┐
  ↓               │
卷积 → 卷积 → F(x)│
  ↓               │
      F(x) + x ←──┘
  ↓
输出

这条直接把输入传到后面的路径，通常叫 shortcut connection 或 skip connection。

6.3 为什么残差连接有用？

残差连接的好处可以从两个角度理解。

第一，它让网络更容易学习“什么都不改变”。如果某几层暂时学不到有用东西，至少可以让输入直接传过去，不至于把信息破坏掉。

第二，它让梯度更容易往前传。反向传播时，梯度可以沿着 shortcut 路径流动，缓解深层网络训练困难的问题。

所以 ResNet 让人们可以训练 50 层、101 层甚至更深的网络。

6.4 小白应该记住什么？

ResNet 的核心就是一句话：

不让每一层都强行重新学习全部映射，而是学习“在原输入基础上需要改多少”。

这个思想后来影响非常大，不只是在 CNN 中，在 Transformer 等模型里也能看到类似的残差连接。

7. 五个网络放在一起怎么记

最后把这五个网络放在一张表里，方便复习。

如果按 CNN 发展的主线来看，可以这样理解：

LeNet：CNN 基本模板出现
  ↓
AlexNet：深层 CNN 在大规模图像分类中爆发
  ↓
VGG：用统一小卷积核把网络规整地加深
  ↓
GoogLeNet：用 Inception 模块提高多尺度表达和计算效率
  ↓
ResNet：用残差连接让非常深的网络也能训练

对入门者来说，不需要一开始就记住每一层的具体参数。更重要的是理解每个网络背后的问题：

• LeNet 解决“CNN 能不能做图像识别”
• AlexNet 解决“大规模真实图像上 CNN 有没有优势”
• VGG 解决“怎么用简单规则构建更深网络”
• GoogLeNet 解决“怎么兼顾多尺度特征和计算效率”
• ResNet 解决“网络很深以后怎么训练”

理解了这条线，再去看后来的 DenseNet、MobileNet、EfficientNet，甚至视觉 Transformer，都会更容易抓住重点。

小结

这五个网络不是孤立的名字，而是 CNN 发展过程中的几个关键节点。

LeNet 给出了卷积神经网络的基本雏形，AlexNet 证明深度学习可以在大规模视觉任务中取得突破，VGG 用极其规整的方式展示了深度的重要性，GoogLeNet 开始关注多尺度和计算效率，ResNet 则解决了深层网络训练困难的问题。

如果你刚开始学 CNN，建议先抓住每个网络的“核心贡献”，再逐步深入具体结构和论文细节。这样学起来不会被层数、参数和公式压垮，也更容易理解它们为什么经典。