从 ResNet 到 ViT：计算机视觉架构演进全解析

计算机视觉是深度学习最早取得突破的领域之一。从 2012 年的 AlexNet 到 2020 年的 Vision Transformer，CV 架构的演进史就是半部深度学习发展史。 ━━━ 一、经典 CNN 时代（2012-2017） ━━━ 【AlexNet（2012）】 ImageNet 竞赛的转折点。AlexNet 首次将深度学习带到 CV 舞台中央： - 5 个卷积层 + 3 个全连接层 - ReLU 激活函数（解决梯度消失） - Dropout 正则化（防止过拟合） - GPU 并行训练（两块 GTX 580） 【VGGNet（2014）】 牛津大学视觉组提出，核心思想极其简单但有效： - 全部使用 3x3 小卷积核 - 通过堆叠小卷积核获得大感受野 - 网络深度达到 16-19 层 - 缺点：参数量巨大，训练很慢 【ResNet（2015）】 何恺明提出的残差网络是 CV 领域最具影响力的工作之一： - 引入残差连接（Skip Connection） - 解决了深层网络的退化问题 - 网络深度达到 152 层（是 VGG 的 10 倍） - 参数量反而比 VGG 更少 残差块的核心公式：y = F(x) + x，让网络可以学习残差 F(x) = H(x) - x，而不是直接学习 H(x)。 ━━━ 二、轻量化与自动化时代（2017-2020） ━━━ 【MobileNet】 专为移动端设计的轻量级网络，核心是深度可分离卷积： - 将标准卷积分解为 Depthwise + Pointwise 两步 - 计算量降低为常规卷积的 1/8 - 1/9 - 精度损失很小 【EfficientNet】 Google 用 NAS（神经架构搜索）找到的最优网络： - 同时缩放深度、宽度、分辨率三个维度 - 用更少的参数达到更高的精度 - 成为迁移学习的首选骨干网络 ━━━ 三、Transformer 时代（2020 至今） ━━━ 【Vision Transformer（ViT，2020）】 Google 团队证明：CV 任务不需要 CNN，纯 Transformer 也能做到。 核心思路： 1. 将图片分割成 16x16 的 Patch 2. 每个 Patch 拉平成一个向量 3. 加上位置编码 4. 输入标准 Transformer Encoder 5. 用 CLS token 做分类 【ViT vs CNN 对比】 - 全局感受野：ViT 一开始就能看到全局，CNN 需要堆叠层数 - 数据需求：ViT 需要更多数据（ImageNet-21k 预训练），CNN 在小数据上表现更好 - 计算量：ViT 在大分辨率下计算量较大 【Swin Transformer（2021）】 微软亚洲研究院提出，在 ViT 基础上引入层级结构和窗口注意力： - 限制注意力在局部窗口内计算，大幅降低计算量 - 通过窗口移动实现跨窗口信息交互 - 在检测和分割任务上全面超越 CNN ━━━ 四、当前趋势与展望 ━━━ 2025-2026 年 CV 领域的几个关键趋势： 1. CNN 与 Transformer 融合：如 ConvNeXt 用 CNN 的方式训练、达到 Transformer 的性能 2. 多模态大模型：CLIP、SAM 等统一了视觉和语言的理解 3. 自监督学习：不需要标注数据，模型自己从数据中学习表征 4. 高效部署：量化、蒸馏、剪枝让大模型可以在手机上运行 从 AlexNet 到 ViT，CV 架构的演进告诉我们：技术没有永恒的王者，只有不断迭代的创新。理解这段历史，能帮你更好地把握未来的方向。