CNN 不是过时了，它是理解现代深度学习的语法基础

卷积神经网络是深度学习最基础也最重要的架构之一。它影响了计算机视觉的整个发展历程，甚至 NLP 领域的很多创新也源于 CNN 的思想。

CNN 的核心操作只有两个：卷积和池化。

卷积的本质是特征提取。一个小矩阵（卷积核）在输入图像上滑动，每次计算局部区域的加权和。不同的卷积核提取不同类型的特征：边缘、纹理、颜色变化。浅层卷积核提取的是低级特征（线条、边缘），深层卷积核在低级特征的基础上组合出高级特征（眼睛、轮子、人脸）。这就是 CNN 的层级特征学习能力。

池化的本质是降维和信息压缩。最大池化取局部区域的最大值，平均池化取平均值。池化的作用是减少参数量、扩大感受野、引入平移不变性。一张 224x224 的图像经过几次池化后，尺寸大幅缩小，但关键特征得以保留。

卷积和池化的交替使用形成了 CNN 的标准结构：卷积层提取特征，池化层压缩信息，再卷积再池化，最后接入全连接层做分类或回归。

TextCNN 把这个思路用到了文本上。把句子看作一维图像，每行是一个词的词向量，卷积核在词向量的序列上滑动，提取 n-gram 级别的特征。池化层选出最重要的特征。TextCNN 结构简单、训练快，在很多文本分类任务上表现很好。

DPCNN（Deep Pyramid CNN）则解决了传统 CNN 堆叠深度时梯度消失的问题。它通过残差连接和固定特征图尺寸的策略，让 CNN 可以做到更深的层数而不退化。

理解 CNN 的意义不在于它是否还是当前最好的架构，而在于它是理解现代深度学习的基础。Transformer 中的自注意力机制、多尺度特征、残差连接，这些都能在 CNN 的发展史中找到影子。