上篇我们聊了卷积神经网络（CNN）的“出身”——它是为了解决传统网络参数爆炸、没法提取空间特征这两大痛点而诞生的，核心是靠局部连接、权值共享和层级抽象，模拟了人眼看东西的方式。

但光知道原理还不够。你可能经常听到什么“残差网络”“深度可分离卷积”“目标检测网络”这些词，听着都像亲戚，但又分不清谁是谁。这一篇，我们就来聊聊卷积神经网络到底有哪些类型，以及它今天到底能干哪些事。

一、有哪些类型？——从“浅尝辄止”到“深不见底”
CNN从1998年的LeNet-5算起，已经发展了二十多年。这期间，研究者们主要在琢磨一件事：怎么让它更深、更准、更快，同时还不“退化”。

1. 经典奠基者：LeNet-5 和 AlexNet
LeNet-5是开山鼻祖，只有7层，能识别手写数字，但放到今天复杂一点的任务（比如ImageNet里1000类物体分类）就不太够用了。

真正的“破圈”发生在2012年。那一年，AlexNet横空出世，在ImageNet图像识别大赛上一举将错误率从26%降到了15%。它的创新其实没有特别复杂：把网络加深到了8层，引入了ReLU激活函数（解决了梯度消失问题），还用上了GPU并行计算。但关键的是，它证明了“深度”这件事是值得砸资源去做的——从此，深度学习正式进入大众视野。

2. 走向更深：VGG 和 GoogLeNet
AlexNet之后，大家发现一个简单的规律：层数越多，效果越好。

于是有了VGG，它把网络做到了16-19层，结构特别“整齐”——全部用3×3的小卷积核堆叠。这种“整齐”让VGG成了很多后来研究的基准模型，但问题是参数太多、计算量太大。

为了在加深的同时控制计算量，Google提出了GoogLeNet（也叫Inception）。它的核心思想是“多路并行”——在同一层里同时用1×1、3×3、5×5等不同尺寸的卷积核去提取特征，再把结果拼起来。这样既能捕捉不同尺度的信息，又通过1×1卷积“降维”，把计算量压了下来。

3. 解决“深不下去”的难题：ResNet
按道理，网络越深，效果应该越好。但研究者发现，网络深到一定程度后，再增加层数，准确率反而下降了——这不是过拟合，而是“退化问题”：梯度在反向传播时，经过太多层后变得太小，前面的层几乎学不到东西。

2015年，何恺明等人提出的ResNet（残差网络），用一个极其巧妙的方法解决了这个问题：它让网络不再直接去拟合“期望的输出”，而是去拟合“输出与输入的差值”（也就是“残差”）。

这个“捷径连接”（skip connection）让梯度可以绕过中间层直接传回去，于是网络可以轻松做到上百层甚至上千层。ResNet至今仍然是计算机视觉领域最常用的骨干网络之一。

4. 走向轻量化：MobileNet 和 ShuffleNet
ResNet效果好，但参数多、计算量大，没法在手机上跑。于是又出现了一条技术路线：轻量化网络。

MobileNet的核心是“深度可分离卷积”——把一次卷积拆成两步：第一步只做空间上的卷积（每个通道单独做），第二步做通道间的组合。这样计算量能缩小到原来的十分之一甚至更少。

ShuffleNet则更进一步，在通道分组的基础上加入了“通道混洗”，让信息能在不同组之间流通，在保持精度的同时进一步减少计算量。

5. 不只是分类：目标检测与分割网络
前面说的这些网络，都主要用于“图像分类”——告诉你看的这张图是什么。但现实场景往往更复杂：一张图里可能有多个物体，你还要知道每个在哪。

于是出现了目标检测网络，主要有两条技术路线：

两阶段检测器（R-CNN系列）：先找出可能存在物体的候选区域（比如几百个框），再对每个框做分类。优点是精度高，缺点是速度慢。

单阶段检测器（YOLO、SSD）：一步到位，直接预测每个位置是什么物体。优点是速度快，能做到实时（比如YOLO系列在视频里也能跑），适合自动驾驶、安防监控这类场景。

还有图像分割网络（比如U-Net、DeepLab），它不是画框，而是把图像里每个像素都标上类别——比如医学影像里标出肿瘤的精确轮廓，自动驾驶里标出路面、行人、车道线的精确边界。

二、有什么作用？——它已经渗透进你生活的每个角落
聊完类型，我们来看看它到底能干什么。说实话，今天凡是涉及“图像”或者“空间结构”的AI应用，背后几乎都有CNN的影子。

1. 视觉识别类：

人脸识别：手机解锁、机场安检、公司考勤。

物体识别：拍照识图、自动驾驶识别车和行人、安防监控识别可疑物品。

文字识别（OCR）：拍照翻译、车牌识别、发票自动录入。

2. 图像生成与处理：

风格迁移：把你的照片变成梵高风格的画。

超分辨率：把模糊的老照片变清晰（你用的很多“老照片修复”App背后就是CNN）。

图像修复：去掉照片里的水印、路人，填补缺失部分。

3. 医疗影像：

肺结节检测：在CT片里自动标出可疑的结节，辅助医生诊断。

眼底筛查：通过视网膜照片识别糖尿病视网膜病变。

病理切片分析：自动识别癌细胞区域。

4. 自动驾驶：

车道线检测、行人检测、交通标志识别、障碍物识别……整个感知系统几乎都依赖CNN。

5. 工业与农业：

缺陷检测：在生产线上一秒识别出手机屏幕上的划痕、芯片上的瑕疵。

智慧农业：通过无人机拍摄的农田图像，识别病虫害、估算产量。

6. 视频理解与推荐：

短视频平台不只看标题，还会抽取视频里的关键帧，用CNN分析画面里是什么（猫、跳舞、美食），再结合你的历史行为做推荐。

你上传视频时，平台能自动生成封面图，也是CNN挑出了最“好看”的那一帧。

7. 三维视觉：

从多张照片重建三维模型、AR应用里识别平面并放置虚拟物体……这些也都依赖卷积思想在三维空间上的扩展（比如3D卷积、体素网络）。

从LeNet-5到手写数字，到今天千层网络在自动驾驶、医疗、工业里的广泛应用，卷积神经网络走了二十多年。它从一个“模仿视觉皮层”的学术想法，变成了现代AI基础设施的一部分。

当然，CNN也不是万能的。它在处理序列数据（比如文本、语音）上不如Transformer，在需要长期依赖关系（比如视频里前后几十帧的关联）时也有些吃力。但只要有“空间结构”存在——不管是二维的图像，还是三维的点云，甚至是一维的时序信号——卷积的思想就会一直有用。

它解决的，归根结底还是那个最朴素的问题：让机器像人一样，能“看懂”这个由空间和结构组成的世界。

而这个过程，远没有结束。