照片就是一张数字网格
把任意一张数码照片放得足够大，画面就会化解成一个个微小的彩色方块。每个方块就是一个像素（pixel，即"图像元素"），而在计算机眼里它根本不是颜色，而是一个度量亮度的数字。在灰度图像里，一个像素就是单个数值，按惯例从 0（黑）到 255（白），中间一切都是某种灰。于是一张 1000×1000 的照片，不过是一百万个这样的数字排成网格：一行行、一列列的亮度而已。那里面没有"猫"，也没有"天空"——只有一张巨大的强度数值表。
彩色的原理一模一样，只是叠了起来。一个彩色像素通常是三个数字——它发出多少红光、绿光和蓝光——因为人眼有三类颜色感受器，把这三种原色混合起来就能重现我们能看到的大多数颜色。所以一张彩色照片其实是三张网格相互叠放：一张管红、一张管绿、一张管蓝。这些叠起来的网格就叫通道（channel）。
从网格到张量
你已经熟悉这条"形状"的阶梯：单个数是标量，一排数是向量，一张网格是矩阵，而轴更多的东西就是张量。灰度图像恰好就是一个矩阵——高 × 宽。彩色图像再上一层：高 × 宽 × 3 个通道——一个有三条轴的张量。这正是流入每个视觉模型的标准形状，而把轴的顺序摆对（通道在前还是通道在后）是这份工作里每天都要做、却毫不光鲜的一环。
实践中我们很少一次只处理一张图。我们会把许多图像堆成一个批次（batch），在最前面再添一条轴，于是真正在训练中流动的张量是 批次 × 高 × 宽 × 通道。这个四维的数字块才是真正的"输入"——而你之前学过的每一层、每一次矩阵乘法和卷积，无非都是在对这个块做算术、重塑它的形状。
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
一条"边缘"究竟是什么？
孤立的原始像素几乎毫无用处——知道像素 (120, 64) 偏红，并不能告诉你这张图画的是什么。你能提取的第一个有用东西是边缘（edge）：亮度在相邻像素间骤然变化的地方。把目光扫过一张"桌上有个马克杯"的照片，杯子与背景的界线，正好就是数字跳变的地方。一条边缘，无非是相邻像素之间一处很大的局部*差异*。
你可以用一个微小的滑动窗口来找边缘——一张小小的权重网格，让它在图像上滑过，边滑边做乘法再相加。把权重设计成：像素有差异处窗口输出大值、平坦处输出近零，你就有了一个边缘检测器。这个滑动窗口运算*就是*一次卷积，它的输出是一张新网格，叫特征图，哪里出现那种模式，它就在哪里"亮"起来。几十年里，工程师都是手工设计这些小滤波器——Sobel、Canny——因为判定什么才算有用的特征，本身就是一门手艺。
卷积网络悄然带来的革命，是不再手工设计这些滤波器，而是去*学*它们。每个窗口里的权重都变成由梯度下降调节的参数。叠上几层，网络就建起一座层级：第一层学到边缘和色块，下一层把边缘组合成角点和纹理，再下一层组合成眼睛、车轮和叶片，最顶层组合成完整的物体。边缘不过是这座阶梯最底下的一级——而关键在于，机器是自己发现它的。
为什么视觉是真的难
真正的难处在这里。单一一个物体——比如某一只特定的猫——可以产生几乎无限多张完全不同的像素网格。把它移近，每个数字都变了。旋转它、调暗灯光、让一把椅子遮住它一半、把背景从草地换成雪地——每一次，原始张量都变得面目全非，可你的大脑却瞬间断定"是同一只猫"。计算机必须学会：一个稳定的概念（"猫"）藏在多得惊人的像素排布背后。这道横在原始像素与含义之间的鸿沟，叫做语义鸿沟（semantic gap），跨越它就是视觉的全部难题。
数字会让这一点变得鲜活。一张并不算大的 224×224 彩色图就有超过 15 万个原始数值，而所有可能图像构成的空间浩瀚得无法想象——可其中只有薄得难以置信的一小片，看起来像是真实存在的东西。模型必须从相对少得可怜的一堆样本里，把这片巨大空间中"有意义"的区域切割出来——这正是你早先见过的维度灾难的一副面孔。它竟然行得通，原因在于真实图像并不随机：它们充满结构——邻近像素彼此相关、边缘连成线条、纹理不断重复——而像卷积这样恰当的归纳偏置，正好把这种结构事先嵌了进去。
本阶的其余部分如何由此搭建
本阶接下来的一切，都立在你现在拥有的这幅图景上：图像是张量、特征是分层学来的、而核心的敌人是"变化"。说出画面里那个唯一的主导物体，是图像分类；给每个物体画一个框、说出它*在哪*，就成了目标检测；给每一个像素都贴上标签，就成了分割。后面的指南还会重新审视卷积这一假设本身——视觉 Transformer丢掉了滑动窗口，把图像切成一块块小补丁，让注意力机制自己决定什么和什么有关。
有两个实用习惯会贯穿始终。第一，既然"变化"是敌人，那我们就在训练时故意制造更多变化——翻转、裁剪、改色、旋转图像，好让模型学会忽略那些其实无关紧要的变化；这就是数据增强，也是让视觉模型变得稳健的最廉价办法之一。第二，几乎没人会从零训练：人们往往从一个已经在巨型带标注数据集 ImageNet 上训练好的网络出发，再去适配它——这正是你早先见过的迁移学习招式，它让一个小数据集得以站在一个庞大数据集的肩膀上。