照片就是一張數字網格
把任意一張數位照片放得足夠大，畫面就會化解成一個個微小的彩色方塊。每個方塊就是一個像素（pixel，即「影像元素」），而在電腦眼裡它根本不是顏色，而是一個度量亮度的數字。在灰階影像裡，一個像素就是單一數值，按慣例從 0（黑）到 255（白），中間一切都是某種灰。於是一張 1000×1000 的照片，不過是一百萬個這樣的數字排成網格：一行行、一列列的亮度而已。那裡面沒有「貓」，也沒有「天空」——只有一張巨大的強度數值表。
彩色的原理一模一樣，只是疊了起來。一個彩色像素通常是三個數字——它發出多少紅光、綠光和藍光——因為人眼有三類顏色感受器，把這三種原色混合起來就能重現我們能看到的大多數顏色。所以一張彩色照片其實是三張網格相互疊放：一張管紅、一張管綠、一張管藍。這些疊起來的網格就叫通道（channel）。
從網格到張量
你已經熟悉這條「形狀」的階梯：單個數是純量，一排數是向量，一張網格是矩陣，而軸更多的東西就是張量。灰階影像恰好就是一個矩陣——高 × 寬。彩色影像再上一層：高 × 寬 × 3 個通道——一個有三條軸的張量。這正是流入每個視覺模型的標準形狀，而把軸的順序擺對（通道在前還是通道在後）是這份工作裡每天都要做、卻毫不光鮮的一環。
實踐中我們很少一次只處理一張圖。我們會把許多影像堆成一個批次（batch），在最前面再添一條軸，於是真正在訓練中流動的張量是 批次 × 高 × 寬 × 通道。這個四維的數字塊才是真正的「輸入」——而你之前學過的每一層、每一次矩陣乘法和卷積，無非都是在對這個塊做算術、重塑它的形狀。
grayscale shape = (H, W) # one value per pixel color shape = (H, W, 3) # red, green, blue stacked batch shape = (N, H, W, 3) # N images flowing together # a single pixel in a color image is just three numbers: img[120, 64] = [231, 76, 60] # reddish: high R, low G, low B
一條「邊緣」究竟是什麼？
孤立的原始像素幾乎毫無用處——知道像素 (120, 64) 偏紅，並不能告訴你這張圖畫的是什麼。你能提取的第一個有用東西是邊緣（edge）：亮度在相鄰像素間驟然變化的地方。把目光掃過一張「桌上有個馬克杯」的照片，杯子與背景的界線，正好就是數字跳變的地方。一條邊緣，無非是相鄰像素之間一處很大的局部*差異*。
你可以用一個微小的滑動視窗來找邊緣——一張小小的權重網格，讓它在影像上滑過，邊滑邊做乘法再相加。把權重設計成：像素有差異處視窗輸出大值、平坦處輸出近零，你就有了一個邊緣偵測器。這個滑動視窗運算*就是*一次卷積，它的輸出是一張新網格，叫特徵圖，哪裡出現那種模式，它就在哪裡「亮」起來。幾十年裡，工程師都是手工設計這些小濾波器——Sobel、Canny——因為判定什麼才算有用的特徵，本身就是一門手藝。
卷積網路悄然帶來的革命，是不再手工設計這些濾波器，而是去*學*它們。每個視窗裡的權重都變成由梯度下降調節的參數。疊上幾層，網路就建起一座層級：第一層學到邊緣和色塊，下一層把邊緣組合成角點和紋理，再下一層組合成眼睛、車輪和葉片，最頂層組合成完整的物體。邊緣不過是這座階梯最底下的一級——而關鍵在於，機器是自己發現它的。
為什麼視覺是真的難
真正的難處在這裡。單一一個物體——比如某一隻特定的貓——可以產生幾乎無限多張完全不同的像素網格。把它移近，每個數字都變了。旋轉它、調暗燈光、讓一把椅子遮住它一半、把背景從草地換成雪地——每一次，原始張量都變得面目全非，可你的大腦卻瞬間斷定「是同一隻貓」。電腦必須學會：一個穩定的概念（「貓」）藏在多得驚人的像素排布背後。這道橫在原始像素與含義之間的鴻溝，叫做語意鴻溝（semantic gap），跨越它就是視覺的全部難題。
數字會讓這一點變得鮮活。一張並不算大的 224×224 彩色圖就有超過 15 萬個原始數值，而所有可能影像構成的空間浩瀚得無法想像——可其中只有薄得難以置信的一小片，看起來像是真實存在的東西。模型必須從相對少得可憐的一堆樣本裡，把這片巨大空間中「有意義」的區域切割出來——這正是你早先見過的維度災難的一副面孔。它竟然行得通，原因在於真實影像並不隨機：它們充滿結構——鄰近像素彼此相關、邊緣連成線條、紋理不斷重複——而像卷積這樣恰當的歸納偏置，正好把這種結構事先嵌了進去。
本階的其餘部分如何由此搭建
本階接下來的一切，都立在你現在擁有的這幅圖景上：影像是張量、特徵是分層學來的、而核心的敵人是「變化」。說出畫面裡那個唯一的主導物體，是影像分類；給每個物體畫一個框、說出它*在哪*，就成了物件偵測；給每一個像素都貼上標籤，就成了分割。後面的指南還會重新審視卷積這一假設本身——視覺 Transformer丟掉了滑動視窗，把影像切成一塊塊小補丁，讓注意力機制自己決定什麼和什麼有關。
有兩個實用習慣會貫穿始終。第一，既然「變化」是敵人，那我們就在訓練時故意製造更多變化——翻轉、裁剪、改色、旋轉影像，好讓模型學會忽略那些其實無關緊要的變化；這就是資料增強，也是讓視覺模型變得穩健的最廉價辦法之一。第二，幾乎沒人會從零訓練：人們往往從一個已經在巨型帶標註資料集 ImageNet 上訓練好的網路出發，再去適配它——這正是你早先見過的遷移學習招式，它讓一個小資料集得以站在一個龐大資料集的肩膀上。