拆开看看：CNN 消融研究

拆开看看——每件装备到底贡献了多少？控制变量，数据说话。

每个组件"是什么"我们都知道，但每个组件对最终效果的真正贡献是多少？ 移除卷积层、换掉激活函数——本章通过控制变量法，用实验数据回答这些问题。

本章概览

章节	内容	与前面章节的联系
引言：拆开看看	什么是消融研究？为什么要做？	科学方法论：控制变量法
实验设计	基线模型、实验方案、结果分析	使用训练框架 的实验管理
PyTorch实现	完整的 PyTorch 代码实现	完整训练流程 的实践
结语	总结与学习路径	知识体系梳理

学习路径

本章是从"知道怎么做"到"知道为什么这样做"的思维跃迁：

        graph LR
    A[理论学习<br/>CNN组件] --> B[基线模型<br/>跑通完整代码]
    B --> C[消融实验1<br/>移除卷积层]
    C --> D[消融实验2<br/>更换激活函数]
    D --> E[消融实验3<br/>移除Dropout]
    E --> F[数据分析<br/>组件重要性排序]
    F --> G[设计原则<br/>优化新架构]
    

核心认知：消融研究不是"破坏"，而是"理解"——通过系统地做减法，看清每个组件的真实贡献。

关键原则：每次只改一个变量，确保结果可归因。

前置知识

本章假设你已掌握完整训练流程和 CNN 各组件原理，建议完成 使用训练框架 和 迁移学习与微调：站在巨人的肩膀上 后再学习。

前置章节	本章应用
卷积：发现装备	理解卷积层、池化层的作用，作为消融对象
训练基础：登山纪律	应用批归一化、Dropout 等正则化技术
神经网络模块：搭建计算图	搭建实验用的 CNN 模型
完整训练流程	实现训练循环，记录实验数据
使用训练框架	使用框架管理实验、配置和模型
迁移学习与微调：站在巨人的肩膀上	理解微调背后的"组件重要性"思想

预计耗时：2-4 周（需要训练多个模型进行对比实验）

贡献者与修订历史

查看详细修订记录

• dc35df2 2026-06-14 - Heyan Zhu: refactor: unify into two-chapter mountain-climbing narrative