卷积神经网络

用局部连接与权共享两条约束把「每个位置各学一套权重」这笔账压掉的网络结构：一个卷积核在整张图上滑动复用；本课把它讲成一笔参数账，而不是一个玄学结构。

生产方式：AI 生成AI 生成，仅供参考签发：晓黎学习复核：2026年11月1日被 3 个词条引用

课时标题给了判据：卷积省下来的不是精度，是「每个位置各学一套权重」这笔账。全连接层让每个位置对每个神经元各学一份权重；卷积用两条约束压掉这笔钱：局部连接（只看窗口内）与权共享（窗口里学到的那套权重——一个卷积核——在整张图上滑动复用）。

这条结构线从 1980 年 Fukushima 的 Neocognitron、1989 年 LeCun 等人接上反向传播做邮编识别，走到 2012 年在 ImageNet 上取胜的分类网络。课程对「第一个」类优先权说法一律降温：要证它得穷举同期工作，本课不做。

相关

神经网络（Neural Network） ImageNet AlexNet

互链

链接来自概念卡正文里的双链，编译时能解到本期词条集的才成为站内链接。

反向传播（Backpropagation）正文引用
神经网络（Neural Network）相关概念
AlexNet相关概念
ImageNet正文引用
ImageNet相关概念

反链（3）

卷积（Convolution）正文引用
AlexNet相关概念
ImageNet相关概念

出现在哪些课时里（1）

判据与「课时正文里能不能点出来」是同一个：那一节确实提到了它。点课时走当前页跳转，它是导航，不是词条链接。

从手写体到 ImageNet：卷积赢在哪一格深度学习是怎么来的：机制、竞争与未定论

关联图

只画这一条与它直接相连的词条，边与上面两区同源。可拖拽、可缩放，点节点是新标签。

以列表方式看这 6 个节点

出处

路径是本地知识库（Obsidian 库）里的位置，正文与概念卡逐字对应。

课程正文用法归纳从手写体到 ImageNet：卷积赢在哪一格packages/db/prisma/lesson-content/from-handwriting-to-imagenet.md
课程正文用法归纳反向传播不是 1986 年发明的packages/db/prisma/lesson-content/backprop-not-invented-1986.md
课程正文用法归纳课程派生词条 · 模型与生成式 AI 基础

编译入库：2026年11月2日。词条由知识库编译而来，修正要回到概念卡改，再重新编译。