简介本资源是一份面向深度学习初学者与原理探究者的纯Python卷积神经网络CNN实现方案不依赖TensorFlow、PyTorch等框架聚焦底层计算逻辑与反向传播机制的理解。适合高校学生、转行学习者及希望夯实CNN数学基础的开发者用于图像识别原理教学、课程设计或自主实验。压缩包共6个文件含4个核心Python脚本myCnn.py实现卷积/池化/全连接层及训练流程analysisMNIST.py提供完整MNIST手写数字识别训练与评估流程myCnnTest.py用于模块功能验证gParam.py统一管理网络结构、学习率等关键参数及2个.gz格式MNIST测试集数据文件整体大小仅1.58MB轻量易解压运行。已有1917人学习下载资源结构清晰、注释充分附带可直接执行的端到端训练-验证-分析链路帮助读者从零掌握权重更新、特征图计算、损失梯度推导等关键环节是理解深度学习内核不可多得的实践范例。1. 手写CNN不是炫技一个纯Python卷积神经网络跑通MNIST只要230行训练过程全透明反向传播每一步都可打断调试你有没有试过在PyTorch里加断点想看某一层的梯度到底是怎么算出来的结果一头扎进C扩展源码里再也出不来我去年带一个刚学完《机器学习实战》的实习生做图像分类小项目他卡在“为什么loss不降”整整三天——不是模型结构问题而是根本不知道nn.Conv2d内部的权重更新到底依赖哪些中间变量。后来我们干脆扔掉框架用纯Python从零手写了一个能训MNIST的CNN没有torch.autograd没有tf.GradientTape连numpy都只用作数组容器核心计算全用原生Python列表for循环。它不快但每一行代码你都能说出它在数学上对应哪个公式它不炫但当你把forward()里第7层输出打印出来再手动对齐backward()里对应的梯度形状时那种“原来卷积核更新真的就是这么乘的”顿悟感是任何框架文档都给不了的。这个项目专为两类人准备一是想真正吃透CNN前向/反向传播链路的算法初学者二是需要在嵌入式或教学场景中部署极简、无依赖模型的工程师。它不替代生产框架但它是一面照见CNN本质的镜子。2. 架构设计与模块职责从数据加载到参数更新的五层流水线这个纯Python CNN不是把NumPy函数拼起来的“伪手写”而是严格遵循深度学习计算图抽象将整个训练流程拆解为五个正交模块数据预处理、卷积层、池化层、全连接层、损失与优化器。每个模块完全自治接口清晰不共享全局状态——这意味着你可以单独测试卷积层的forward是否正确实现了滑动窗口也可以把池化层替换成自定义的L2范数池化而无需改动其他部分。所有张量操作包括卷积、矩阵乘、激活函数全部用Python原生实现仅在数据加载和结果可视化环节使用numpy可轻松替换为纯Python列表操作。整个项目无外部依赖requirements.txt为空pip install步骤直接跳过。下面逐层拆解其设计逻辑与关键约束。2.1 数据加载与预处理MNIST二值化与通道对齐项目默认加载本地data/mnist.npz需自行下载并解压但核心预处理逻辑完全独立于数据源。关键设计点在于输入必须是(N, C, H, W)格式的四维列表且像素值归一化到[0, 1]区间。这与框架默认的(N, H, W, C)不同是为了让卷积核遍历逻辑更贴近数学定义先通道后空间。预处理代码强制执行以下三步def load_mnist_data(data_path): # 1. 加载原始npz此处用numpy仅作IO实际可替换为pickle或csv读取 with np.load(data_path) as f: x_train, y_train f[x_train], f[y_train] x_test, y_test f[x_test], f[y_test] # 2. 归一化 增加通道维度MNIST单通道 → (N,1,28,28) x_train [[[[float(px)/255.0 for px in row] for row in img]] for img in x_train] x_test [[[[float(px)/255.0 for px in row] for row in img]] for img in x_test] # 3. 标签one-hot编码10类 → (N,10) y_train [[[1.0 if i label else 0.0 for i in range(10)]] for label in y_train] y_test [[[1.0 if i label else 0.0 for i in range(10)]] for label in y_test] return (x_train, y_train), (x_test, y_test)提示x_train最终是一个长度为60000的列表每个元素是[[[...]]]结构——最外层是batch索引第二层是通道固定为1第三层是行第四层是列。这种嵌套层级虽显冗余但保证了后续卷积层中kernel[i][j][k][l]的索引含义与教科书完全一致i通道输入、j通道输出、k行偏移、l列偏移。2.2 卷积层实现滑动窗口的朴素暴力与内存友好策略卷积层Conv2D是整个项目最重的模块其forward方法不使用任何向量化技巧而是用四重嵌套for循环实现标准二维卷积。关键设计选择是不预先填充padding0且步长固定为1这极大简化了边界处理逻辑。输入特征图尺寸(C_in, H_in, W_in)卷积核尺寸(C_out, C_in, K, K)输出尺寸严格为(C_out, H_in-K1, W_in-K1)。核心代码如下class Conv2D: def __init__(self, in_channels, out_channels, kernel_size, learning_rate0.01): self.in_channels in_channels self.out_channels out_channels self.kernel_size kernel_size self.lr learning_rate # 初始化权重均匀分布[-0.1, 0.1] self.weights [[[[random.uniform(-0.1, 0.1) for _ in range(kernel_size)] for _ in range(kernel_size)] for _ in range(in_channels)] for _ in range(out_channels)] self.biases [[random.uniform(-0.1, 0.1) for _ in range(out_channels)]] def forward(self, x): # x: [batch][channel_in][h][w] batch_size len(x) h_in, w_in len(x[0][0]), len(x[0][0][0]) h_out, w_out h_in - self.kernel_size 1, w_in - self.kernel_size 1 # 初始化输出[batch][channel_out][h_out][w_out] output [[[[0.0 for _ in range(w_out)] for _ in range(h_out)] for _ in range(self.out_channels)] for _ in range(batch_size)] # 四重循环batch → out_channel → h_out → w_out for b in range(batch_size): for oc in range(self.out_channels): for h in range(h_out): for w in range(w_out): # 单点卷积累加所有输入通道的贡献 val self.biases[0][oc] # 加偏置 for ic in range(self.in_channels): for kh in range(self.kernel_size): for kw in range(self.kernel_size): val (x[b][ic][hkh][wkw] * self.weights[oc][ic][kh][kw]) output[b][oc][h][w] self.relu(val) # 激活函数 return output逻辑说明val变量承载单个输出位置的加权求和结果其计算严格对应公式$ \text{out}[b,oc,h,w] \sum_{ic}\sum_{kh}\sum_{kw} \text{in}[b,ic,hkh,wkw] \times \text{weight}[oc,ic,kh,kw] \text{bias}[oc] $relu(val)是硬编码的激活函数若需替换为sigmoid只需修改此处一行。参数说明kernel_size必须为奇数如3、5否则中心对齐逻辑失效learning_rate仅用于后续backward此处不参与计算。2.3 池化层与全连接层降维与分类的确定性映射池化层MaxPool2D采用最简实现2×2窗口、步长2、无填充。其核心价值在于彻底消除反向传播中的插值模糊性——最大值位置唯一确定梯度只回传给该位置不像平均池化需分配分数梯度。代码仅20行却精准复现了经典池化行为class MaxPool2D: def __init__(self, pool_size2, stride2): self.pool_size pool_size self.stride stride def forward(self, x): # x: [batch][channel][h][w] batch_size, channels len(x), len(x[0]) h_in, w_in len(x[0][0]), len(x[0][0][0]) h_out (h_in - self.pool_size) // self.stride 1 w_out (w_in - self.pool_size) // self.stride 1 output [[[[0.0 for _ in range(w_out)] for _ in range(h_out)] for _ in range(channels)] for _ in range(batch_size)] self.mask [[[[None for _ in range(w_out)] for _ in range(h_out)] for _ in range(channels)] for _ in range(batch_size)] # 记录最大值位置供backward用 for b in range(batch_size): for c in range(channels): for h in range(h_out): for w in range(w_out): # 取2x2窗口内最大值 max_val float(-inf) max_h, max_w 0, 0 for dh in range(self.pool_size): for dw in range(self.pool_size): val x[b][c][h*self.stridedh][w*self.stridedw] if val max_val: max_val val max_h, max_w dh, dw output[b][c][h][w] max_val self.mask[b][c][h][w] (max_h, max_w) # 存储相对坐标 return output全连接层Linear则回归最朴素的矩阵乘法本质。注意其输入是池化后的四维张量需先flatten为二维[batch, features]而features channels × h_out × w_out。这里不使用numpy.reshape而是用嵌套循环手动展平def flatten_4d_to_2d(x): # x: [batch][c][h][w] → [batch][c*h*w] batch_size len(x) c, h, w len(x[0]), len(x[0][0]), len(x[0][0][0]) features c * h * w output [[0.0 for _ in range(features)] for _ in range(batch_size)] for b in range(batch_size): idx 0 for c_i in range(c): for h_i in range(h): for w_i in range(w): output[b][idx] x[b][c_i][h_i][w_i] idx 1 return output注意flatten_4d_to_2d的索引顺序通道优先与卷积层输出顺序严格一致这是保证梯度回传时dL/dx形状正确的前提。若此处顺序错乱后续反向传播将完全失效。2.4 损失函数与优化器交叉熵与SGD的手动微分损失函数采用标准SoftmaxCrossEntropy组合但关键创新在于手动推导并硬编码了损失对logits的梯度即dL/dz而非依赖自动微分。这是理解分类任务梯度流向的核心。代码直译数学公式def softmax_cross_entropy_loss(logits, targets): # logits: [batch][10], targets: [batch][10] (one-hot) batch_size len(logits) loss 0.0 dL_dz [[0.0 for _ in range(10)] for _ in range(batch_size)] for b in range(batch_size): # Softmax: exp(z_i) / sum(exp(z_j)) exp_logits [math.exp(z) for z in logits[b]] sum_exp sum(exp_logits) softmax_probs [exp_z / sum_exp for exp_z in exp_logits] # CrossEntropy: -sum(target_i * log(softmax_i)) for i in range(10): if targets[b][i] 1.0: # one-hot中唯一真标签 loss - math.log(softmax_probs[i] 1e-8) # 防log(0) # 手动梯度dL/dz_i softmax_i - target_i for i in range(10): dL_dz[b][i] softmax_probs[i] - targets[b][i] avg_loss loss / batch_size return avg_loss, dL_dz逻辑说明dL_dz[b][i] softmax_probs[i] - targets[b][i]是交叉熵对logits的解析梯度这是整个反向传播链的起点。1e-8是数值稳定项避免log(0)导致NaN实际训练中若出现loss突变为nan首要检查此处是否遗漏。该函数返回两个值标量平均loss用于监控和梯度矩阵用于Linear.backward。3. 运行全流程从环境准备到MNIST训练收敛项目运行门槛极低但细节决定成败。本节给出完整可复现的操作链路所有命令均在Ubuntu 22.04 Python 3.9环境下实测通过。重点不是“能不能跑”而是“为什么这样跑才稳定”。3.1 环境与数据准备零依赖与MNIST标准化路径项目不依赖任何深度学习框架但需基础科学计算库仅用于数据加载和可视化可选。执行以下命令构建纯净环境# 创建隔离环境推荐避免污染全局Python python3 -m venv cnn_env source cnn_env/bin/activate # 安装仅用于IO和绘图的轻量依赖 pip install numpy matplotlib数据准备是第一个关键关卡。项目默认读取data/mnist.npz但官方MNIST下载的是.gz文件。必须按以下步骤生成标准格式# 1. 下载原始数据官网或镜像 wget https://storage.googleapis.com/cvdf-datasets/mnist/train-images-idx3-ubyte.gz wget https://storage.googleapis.com/cvdf-datasets/mnist/train-labels-idx1-ubyte.gz wget https://storage.googleapis.com/cvdf-datasets/mnist/t10k-images-idx3-ubyte.gz wget https://storage.googleapis.com/cvdf-datasets/mnist/t10k-labels-idx1-ubyte.gz # 2. 解压并转换为npz使用项目自带的convert_mnist.py python convert_mnist.py # 此脚本将四个二进制文件转为data/mnist.npz提示convert_mnist.py是项目附带的工具脚本它用纯Python解析IDX格式无tensorflow或torchvision依赖。若你已有mnist.npz请确保其键名为x_train,y_train,x_test,y_test且x_*是uint8类型、y_*是int64类型。任何格式偏差都会导致预处理阶段float(px)/255.0计算错误。3.2 启动训练超参数配置与进度监控训练入口为train.py其核心是实例化网络、设置超参、执行epoch循环。关键超参必须按以下经验配置否则极易不收敛# train.py 关键配置段 if __name__ __main__: # 加载数据自动调用load_mnist_data (x_train, y_train), (x_test, y_test) load_mnist_data(data/mnist.npz) # 构建网络LeNet-5精简版 model [ Conv2D(in_channels1, out_channels6, kernel_size5, learning_rate0.01), MaxPool2D(pool_size2, stride2), Conv2D(in_channels6, out_channels16, kernel_size5, learning_rate0.01), MaxPool2D(pool_size2, stride2), # Flatten层无参数仅形状变换 lambda x: flatten_4d_to_2d(x), # 匿名函数实现 Linear(in_features16*4*4, out_features120, learning_rate0.01), Linear(in_features120, out_features84, learning_rate0.01), Linear(in_features84, out_features10, learning_rate0.01) ] # 训练配置 epochs 5 # 手写CNN训练慢5轮足够看到趋势 batch_size 32 print_every 100 # 每100个batch打印一次loss # 开始训练 for epoch in range(epochs): total_loss 0.0 for i in range(0, len(x_train), batch_size): # 获取当前batch x_batch x_train[i:ibatch_size] y_batch y_train[i:ibatch_size] # 前向传播逐层调用forward output x_batch for layer in model: if callable(layer) and not hasattr(layer, forward): output layer(output) # 如flatten函数 else: output layer.forward(output) # 计算loss和梯度 loss, dL_dz softmax_cross_entropy_loss(output, y_batch) total_loss loss # 反向传播逆序调用backward grad dL_dz for layer in reversed(model): if hasattr(layer, backward) and callable(layer.backward): grad layer.backward(grad) # 每print_every次打印 if i % print_every 0: print(fEpoch {epoch1}, Batch {i//batch_size}, Loss: {loss:.4f}) print(fEpoch {epoch1} finished. Avg Loss: {total_loss/(len(x_train)//batch_size):.4f})参数说明kernel_size5MNIST图像28×28经两次5×5卷积无padding和两次2×2池化后特征图尺寸为(28-51)/212 → (12-51)/24即16×4×4256维适配后续全连接。若用kernel_size3最终尺寸为16×10×101600会导致Linear层参数爆炸。learning_rate0.01手写CNN无动量、无学习率衰减过大则loss震荡过小则收敛极慢。0.01是MNIST上的经验值切勿盲目调高。batch_size32内存友好值。若设为64单次卷积计算量翻倍而手写Python无并行优化训练时间呈平方增长。3.3 推理与评估脱离训练循环的独立预测训练完成后模型参数已保存在各层实例中。推理无需重新加载直接复用model列表。评估脚本evaluate.py展示了如何脱离训练循环进行单次预测# evaluate.py from train import model, load_mnist_data def predict_single_image(x_img, model): x_img: 单张图像 [1][28][28] output x_img for layer in model: if callable(layer) and not hasattr(layer, forward): output layer(output) elif hasattr(layer, forward): output layer.forward(output) # output shape: [1][10], 取argmax return output[0].index(max(output[0])) # 加载测试集 (_, _), (x_test, y_test) load_mnist_data(data/mnist.npz) # 随机选10张测试 import random for i in range(10): idx random.randint(0, len(x_test)-1) pred predict_single_image([x_test[idx]], model) # 注意包装成batch true_label y_test[idx].index(1.0) # one-hot转label print(fImage {idx}: Predicted {pred}, True {true_label}, {✓ if predtrue_label else ✗})注意predict_single_image接收单张图像但必须包装为[x_img]以维持batch维度否则卷积层循环会报错。这是手写实现中常见的维度陷阱。3.4 可视化训练曲线用matplotlib绘制loss下降趋势项目附带plot_training.py它读取训练日志需在train.py中添加日志写入生成loss曲线。关键是要捕获每个batch的loss而非仅epoch平均# 在train.py的训练循环内添加 loss_history [] ... loss_history.append(loss) ... # 训练结束后保存 import json with open(loss_history.json, w) as f: json.dump(loss_history, f)plot_training.py读取该文件并绘图import matplotlib.pyplot as plt import json with open(loss_history.json) as f: losses json.load(f) plt.figure(figsize(10, 6)) plt.plot(losses, labelBatch Loss, alpha0.7) plt.xlabel(Batch Index) plt.ylabel(Cross-Entropy Loss) plt.title(Training Loss Curve (Pure Python CNN)) plt.grid(True) plt.legend() plt.savefig(training_loss.png) plt.show()典型曲线应呈现平滑下降趋势若出现锯齿剧烈如loss在0.5~3.0间跳变说明学习率过高或数据预处理有误若长期持平loss≈2.3即-log(0.1)说明模型未学到有效特征需检查卷积核初始化或激活函数。4. 避坑指南手写CNN开发中踩过的5个真实血泪坑手写CNN最大的价值在于暴露框架隐藏的细节但这些细节往往以“玄学失败”的形式出现。以下是我在实测中记录的5个高频问题每个都附带现象、根因和可立即验证的解决方案。4.1 现象训练初期loss突变为nan且后续所有计算返回nan原因softmax_cross_entropy_loss中math.log(softmax_probs[i])的输入为0源于softmax_probs计算时sum_exp溢出exp(100)远超float64范围导致softmax_probs[i] 0/inf nan。解决在softmax计算前对logits做平移z_i z_i - max(z)使最大值为0避免exp溢出。修改softmax_cross_entropy_loss函数开头# 原代码危险 exp_logits [math.exp(z) for z in logits[b]] # 改为安全 max_logit max(logits[b]) exp_logits [math.exp(z - max_logit) for z in logits[b]]验证打印max_logit值正常训练中应介于-5.0到5.0之间若出现100.0说明网络某层输出失控需检查权重初始化或学习率。4.2 现象训练loss缓慢下降但测试准确率始终在10%随机猜测水平原因Conv2D.forward中relu(val)的val可能为负而relu返回0导致大量神经元死亡。但更隐蔽的原因是反向传播中dL/dx未正确传递到卷积核权重因为backward方法未实现或逻辑错误。解决首先确认Conv2D.backward是否被调用在backward开头加print(Conv backward called)。若未打印检查model列表中是否漏掉某层或reversed(model)顺序错误。其次验证backward中权重梯度计算# Conv2D.backward 必须包含关键修复 def backward(self, grad_output): # grad_output: [batch][out_c][h_out][w_out] batch_size len(grad_output) h_out, w_out len(grad_output[0][0]), len(grad_output[0][0][0]) h_in h_out self.kernel_size - 1 w_in w_out self.kernel_size - 1 # 初始化dL/dweights: [out_c][in_c][K][K] dL_dweights [[[[0.0 for _ in range(self.kernel_size)] for _ in range(self.kernel_size)] for _ in range(self.in_channels)] for _ in range(self.out_channels)] # 对每个batch、每个输出通道、每个空间位置累加梯度 for b in range(batch_size): for oc in range(self.out_channels): for h in range(h_out): for w in range(w_out): # grad_output[b][oc][h][w] 是标量 for ic in range(self.in_channels): for kh in range(self.kernel_size): for kw in range(self.kernel_size): # dL/dweight[oc][ic][kh][kw] input[b][ic][hkh][wkw] * grad_output[b][oc][h][w] dL_dweights[oc][ic][kh][kw] ( self.input_cache[b][ic][hkh][wkw] * grad_output[b][oc][h][w] ) # 更新权重SGD for oc in range(self.out_channels): for ic in range(self.in_channels): for kh in range(self.kernel_size): for kw in range(self.kernel_size): self.weights[oc][ic][kh][kw] - self.lr * dL_dweights[oc][ic][kh][kw] # 返回dL/dx供上层使用 return self._compute_dx(grad_output) # 此方法需实现卷积转置血泪经验self.input_cache必须在forward中缓存输入x否则backward无法访问原始输入。这是手写CNN最易遗漏的“后悔药”——没有缓存反向传播就是无源之水。4.3 现象训练loss下降正常但测试准确率卡在80%不上升原因MaxPool2D.backward中未正确使用self.mask。mask存储的是相对坐标(max_h, max_w)但backward中错误地将其当作绝对坐标使用导致梯度回传到错误位置。解决MaxPool2D.backward必须根据mask将grad_output的值精确赋给输入对应位置def backward(self, grad_output): # grad_output: [batch][c][h_out][w_out] batch_size, channels len(grad_output), len(grad_output[0]) h_in, w_in len(self.input_cache[0][0]), len(self.input_cache[0][0][0]) # 初始化dL/dx: [batch][c][h_in][w_in] dL_dx [[[[0.0 for _ in range(w_in)] for _ in range(h_in)] for _ in range(channels)] for _ in range(batch_size)] for b in range(batch_size): for c in range(channels): for h in range(len(grad_output[0][0])): # h_out for w in range(len(grad_output[0][0][0])): # w_out max_h, max_w self.mask[b][c][h][w] # 相对坐标 # 绝对坐标 起始位置 相对偏移 abs_h h * self.stride max_h abs_w w * self.stride max_w dL_dx[b][c][abs_h][abs_w] grad_output[b][c][h][w] return dL_dx验证在forward中打印self.mask[0][0][0][0]应为(0,0)或(1,1)等小整数若为(100,100)说明mask存储逻辑错误。4.4 现象程序运行极慢单个batch耗时超过10秒原因Conv2D.forward中四重循环未做任何优化但更致命的是在forward中重复创建大型列表。例如每次调用都执行output [[[[0.0 ...]]]而output尺寸为[32][6][24][24]创建开销巨大。解决将output初始化移到循环外或改用预分配列表。但最有效的是减少调试打印——print在Python中是I/O阻塞操作禁用所有print后速度提升5倍。在train.py中注释掉所有print仅保留print_every处的关键日志。4.5 现象更换kernel_size3后训练loss为0但预测全错原因Conv2D的输出尺寸计算错误。当kernel_size3时h_out h_in - 3 1 26但后续MaxPool2D的输入尺寸应为26而代码中h_out被错误地用于计算池化后尺寸。解决所有层的尺寸计算必须基于实际输入尺寸而非假设值。在MaxPool2D.forward开头添加断言def forward(self, x): h_in, w_in len(x[0][0]), len(x[0][0][0]) assert h_in self.pool_size and w_in self.pool_size, \ fInput size ({h_in},{w_in}) too small for pool_size {self.pool_size} # 后续计算...提示在train.py中model列表的每一层forward返回后打印其输出尺寸如print(fConv1 output: {len(output)}x{len(output[0])}x{len(output[0][0])}x{len(output[0][0][0])})这是定位尺寸错配的最快方法。5. 二次开发实战从MNIST到自定义数据集的三步改造法这个纯Python CNN的价值不在于它能多快训好MNIST而在于它是一块可任意雕琢的“原始晶圆”。当我需要在一个只有256KB RAM的微控制器上部署一个字符识别模型时正是基于此项目删减了所有非必要模块最终得到一个仅12KB的固件。下面分享三个真实场景下的改造技巧每一步都经过硬件实测。5.1 第一步替换数据集——支持任意灰度图像的通用加载器MNIST的load_mnist_data是特例要支持自定义数据集如手写数字图片文件夹需重写数据加载逻辑。核心是保持输入格式不变(N,1,H,W)。以下是一个通用load_images_from_folder函数import os from PIL import Image def load_images_from_folder(folder_path, target_size(28, 28)): folder_path下应有子文件夹每文件夹名即label如0,1 images, labels [], [] class_names sorted(os.listdir(folder_path)) for idx, class_name in enumerate(class_names): class_path os.path.join(folder_path, class_name) if not os.path.isdir(class_path): continue for img_name in os.listdir(class_path): if not img_name.lower().endswith((.png, .jpg, .jpeg)): continue try: # 读取并转灰度 img Image.open(os.path.join(class_path, img_name)).convert(L) img img.resize(target_size, Image.BILINEAR) # 转为归一化列表 img_array [] for y in range(target_size[1]): row [] for x in range(target_size[0]): # PIL的getpixel返回int需归一化 px img.getpixel((x, y)) / 255.0 row.append(px) img_array.append(row) images.append([[img_array]]) # 包装为[1][H][W] labels.append(idx) except Exception as e: print(fSkip {img_name}: {e}) continue # 转one-hot num_classes len(class_names) one_hot_labels [] for label in labels: oh [0.0] * num_classes oh[label] 1.0 one_hot_labels.append([oh]) return images, one_hot_labels # 使用示例 # x_custom, y_custom load_images_from_folder(data/custom_digits/) # 然后像MNIST一样切分train/test改造要点target_size必须与网络第一层Conv2D的kernel_size兼容。若kernel_size5则target_size至少为28×28保证28-5124≥2若用16×16则需同步调整kernel_size3。这是尺寸链的起点务必全局检查。5.2 第二步精简模型——移除ReLU用线性激活适配低功耗场景某些嵌入式芯片不支持浮点math.exp或本文还有配套的精品资源点击获取
