24×24 的图，576 维像素经过一次 Sobel 卷积和 2×2 池化，压成 5 维特征， 三类图形识别率都是 1.000。单张图从像素算到特征要 4.1 毫秒。
上一节讲完六步流程，这一节看第一个应用场景。 图像这条链是所有视觉任务的地基，人脸、检索、检测都从它长出来。
一、像素不是特征
一张 24×24 的灰度图是 576 个数。 直接把这 576 个数丢给分类器，有两个问题：维数太高、而且平移一个像素就全变了。 卷积解决的就是这个问题。 用一个 3×3 的小核在图上滑动，每个位置算一次加权和——它学的不是「第 5 行第 7 列有多亮」， 而是「这里有没有一条边」。 Demo 用了两个经典核：横向 Sobel 和纵向 Sobel。一个抓竖边，一个抓横边。 然后取绝对值相加，就得到一张「边缘强度图」。 这一步把「亮不亮」变成了「有没有边界」——这才是能跨图复用的特征。
二、池化：把图缩小，把结论留下
卷积后是 22×22，还是太大。Demo 做 2×2 最大池化：每四个格子取最大的那个，变成 11×11。 最大池化的意思是「这一小块里有没有强边缘」，不关心具体在哪个像素。 这正是我们要的：位置稍微动一动，池化后的结果基本不变。 最后从池化图里抽 5 个数：边缘均值、最大响应、强响应占比、横竖边缘比、亮区面积占比。 576 维压成 5 维。 这 5 维不是随便选的——每一个都对应一种「形状的性质」。 圆、方、三角的横竖边缘比和亮区面积占比明显不同，靠这两条就能分开。
三、分类器：在 5 维空间里画三条线
有了 5 维特征，用 softmax 回归（本质是多项逻辑回归）学三类的分界。 Demo 自己写了梯度下降，400 轮收敛。 结果三类识别率都是 1.000。 这个数不能当证据——图是我用公式画的，噪声是我加的高斯噪声，三类在特征空间里本来就隔得远。 能当证据的是形状的变化：576 维像素 → 卷积 → 池化 → 5 维特征。 后面所有图像模型，不管多深，走的都是这条链。 真实人脸识别的区别只在于：卷积核不是手写的 Sobel，而是从数据里学出来的；层数从 1 层变成几十层； 特征从 5 维变成 512 维。链条本身没变。
四、耗时：为什么会卡在预处理上
Demo 量了单张图的特征提取耗时：20 张共 82.72 毫秒，折合每张 4.1 毫秒。 4 毫秒听起来不多，但要做 10 万张标注数据的质检，就是 400 秒； 要在车载摄像头上跑 30 帧每秒，就是每帧只有 33 毫秒预算，特征提取吃掉 4 毫秒已经不少了。 这个 Demo 里的卷积是纯 Python 双层循环乘加，慢得离谱。 真实的卷积用矩阵乘法或专用硬件，同样的活快几百倍。 所以「这个算法能不能上线」这个问题，一半答案在精度，另一半在这一步要花多少毫秒。
五、动手 Demo：图像分类的最小完整链条
用公式画三类 24×24 图形（圆、方、三角）各 30 张，加高斯噪声； 每张做横向与纵向 Sobel 卷积、2×2 最大池化，抽出 5 个特征； 标准化后按 7:3 切分，用自己写的 softmax 回归训练； 最后打每类识别率、整体准确率、混淆口径与单张耗时。
KX = np.array((-1, 0, 1, -2, 0, 2, -1, 0, 1), float).reshape(3, 3)
KY = np.array((-1, -2, -1, 0, 0, 0, 1, 2, 1), float).reshape(3, 3)
def feats(img):
gx, gy = conv3(img, KX), conv3(img, KY)
g = np.abs(gx) + np.abs(gy)
p = g.reshape(11, 2, 11, 2).max(axis=(1, 3)) # 2×2 池化
return np.array([g.mean(), p.max(), (p > p.mean()).mean(),
np.abs(gx).sum() / (np.abs(gy).sum() + 1e-9),
(img > 0.5).mean()])
W, b = softmax_fit(Z[tr], y[tr])
pred = H.softmax(Z[te] @ W + b).argmax(1)
实跑输出：
--------------------------------------------------------------------
图像分类的最小完整链条：卷积 → 池化 → 分类
--------------------------------------------------------------------
图像尺寸 24×24 灰度
每类样本 30 张（训练 66／测试 24）
卷积核 3×3 Sobel 横向 + 纵向，各做一次
池化 2×2 最大池化，22×22 → 11×11
最终特征维度 5 维
真实类别 测试样本 该类识别率
-------------------------------
圆 7 1.000
方 11 1.000
三角 6 1.000
整体准确率 1.000
只当「圆」是正类 精度 1.000 召回 1.000 F1 1.000
单张图从像素到特征的耗时：
20 张共 82.72 毫秒
折合每张 4.136 毫秒
这个 Demo 里的三张「图」是自己画的，噪声是自己加的，
所以 1.000 的准确率不能当作真实图像任务的证据。
能当作证据的是【形状变了】：576 维像素 → 卷积 → 池化 → 5 维特征，
后面所有图像模型，走的都是这条链。
形状变化是这条链的骨架：576 维像素 → 卷积得 22×22 → 池化得 11×11 → 抽 5 维特征。 三类识别率全 1.000，整体也 1.000。 这是自造数据的必然结果，所以我在输出里直接写明「不能当作真实图像任务的证据」。 「只当圆是正类」那行还给了精度／召回／F1 各 1.000——三分类也能拆成三个二分类来评， 这是多分类评估的标准做法。 单张耗时 4.1 毫秒是纯 Python 卷积的结果。真实推理引擎同样一步只要几十微秒，差两三个数量级。 所以这个数只能用来看「比例」，不能用来看「水平」。
30 秒实验
- 把噪声标准差从 0.18 加到 0.45，重跑，看识别率掉到多少。
- 把池化从 2×2 改成 4×4，看特征维度变不变、准确率变不变。
- 想一想：为什么「平移一个像素」会毁掉直接拿像素当特征的做法？
常见误区
- 「像素就是特征」——576 维原始像素既不稳又太多。
- 「卷积核必须手写」——真实网络里的核是从数据学出来的，Sobel 只是入门的例子。
- 「1.000 说明模型很强」——自造数据分得开，满分是必然。
自测三问（点开对答案）
1. 卷积把「亮度」变成了什么？ —— 变成了「边缘强度」——位置无关，能跨图复用。 2. 2×2 最大池化有什么好处？ —— 缩小尺寸，同时让结果对小幅平移不敏感。 3. 这个 Demo 里 1.000 为什么不算证据？ —— 图是公式画的、噪声是自己加的，三类本来就分得开。图像之后是文本。下一节处理自然语言，顺带看看没有分词库怎么办。
- ☐ （本节完，下一节 4.2.2 自然语言处理：机器翻译、文本分类、语音识别）