卷积神经网络（CNN）通常由卷积层、激活层、池化层和全连接层堆叠而成。在Node.js环境中从零实现CNN，核心是把图像与卷积核都表示为多维数组，再通过嵌套循环或矩阵变换完成乘加运算。理解数据在每一层的形状变化，是手写实现不依赖任何第三方深度学习框架的前提。
卷积层的前向计算与张量表示
在Node.js里，一张灰度图可以用二维数组表示，彩色图则是三维数组，最后一维为通道数。卷积核同样是一个小型三维张量，其通道数必须和输入特征图一致。前向计算时，卷积核在输入上按指定步长滑动，每次将对应位置的元素逐通道相乘再求和，得到输出特征图的一个像素值。这种运算如果直接用四重或五重循环编写，虽然逻辑直观，但面对较大图片时速度极慢。
为了提升性能，常见的做法是把卷积操作转换成矩阵乘法。具体地说，可以利用im2col思想，将输入图像上每个卷积窗口拉伸成一行，所有窗口组成一个大矩阵，卷积核也展开成列向量，两者相乘就等价于卷积结果。在Node.js中借助TypedArray存储这些矩阵，能减少垃圾回收压力。下面给出一个简化版的二维卷积前向代码，未使用im2col，便于理解基本原理。
// 输入image: 二维数组，kernel: 二维数组，pad: 填充，stride: 步长
function conv2d(image, kernel, pad, stride) {
const ih = image.length;
const iw = image[0].length;
const kh = kernel.length;
const kw = kernel[0].length;
const oh = Math.floor((ih + 2 * pad - kh) / stride) + 1;
const ow = Math.floor((iw + 2 * pad - kw) / stride) + 1;
// 先填充
const padded = [];
for (let i = 0; i < ih + 2 * pad; i++) {
padded.push(new Array(iw + 2 * pad).fill(0));
}
for (let i = 0; i < ih; i++) {
for (let j = 0; j < iw; j++) {
padded[i + pad][j + pad] = image[i][j];
}
}
const out = [];
for (let i = 0; i < oh; i++) {
const row = [];
for (let j = 0; j < ow; j++) {
let sum = 0;
const x = i * stride;
const y = j * stride;
for (let ki = 0; ki < kh; ki++) {
for (let kj = 0; kj < kw; kj++) {
sum += padded[x + ki][y + kj] * kernel[ki][kj];
}
}
row.push(sum);
}
out.push(row);
}
return out;
}
const img = [[1,2,3],[4,5,6],[7,8,9]];
const kern = [[1,0],[0,-1]];
console.log(conv2d(img, kern, 0, 1));
上面的代码清晰地展示了输出尺寸的计算公式，以及填充和步长如何影响结果。在实际项目中，如果输入是批量数据，还需要在最外层加上batch维度，并将卷积核按输出通道数复制多份。此时继续用纯循环会让代码难以维护，因此很多Node.js实现会选择将核心计算迁移到C++插件或使用WebAssembly模块，而JavaScript部分只负责调度和梯度管理。
激活函数与池化层的实现要点
卷积之后通常紧跟非线性激活函数，最基础的是ReLU，它把小于零的值置为0，大于零的保留原值。在Node.js中实现ReLU只需要遍历特征图数组，对每个元素做判断。相比Sigmoid或Tanh，ReLU在正向和反向传播中计算量都极小，也不会轻易导致梯度饱和，因此成为CNN默认选择。但要注意，如果网络层数很深，某些神经元可能永远不被激活，造成“死神经元”现象，此时可以改用LeakyReLU。
池化层分为最大池化和平均池化，作用是降低特征图分辨率、扩大感受野。最大池化在每个窗口中取最大值，平均池化则取均值。下面给出最大池化的简单实现，同样支持步长和窗口尺寸参数。
// 输入map为二维数组，size为池化窗口，stride为步长
function maxPool(map, size, stride) {
const h = map.length;
const w = map[0].length;
const oh = Math.floor((h - size) / stride) + 1;
const ow = Math.floor((w - size) / stride) + 1;
const out = [];
for (let i = 0; i < oh; i++) {
const row = [];
for (let j = 0; j < ow; j++) {
let maxVal = -Infinity;
const x = i * stride;
const y = j * stride;
for (let si = 0; si < size; si++) {
for (let sj = 0; sj < size; sj++) {
const v = map[x + si][y + sj];
if (v > maxVal) maxVal = v;
}
}
row.push(maxVal);
}
out.push(row);
}
return out;
}
池化层没有可学习参数，因此反向传播时只需要把梯度传回前向阶段最大值所在的位置。很多初学者会误以为池化也需要像卷积那样计算核梯度，这是不对的。在Node.js里可以用一个掩码矩阵记录最大值坐标，反向时直接映射梯度。此外，激活函数和池化都可以写成支持任意维数的通用函数，通过递归或扁平化索引来处理三维特征图，这样能统一卷积块后的处理流程。
反向传播与梯度下降的训练流程
训练CNN的关键是反向传播，它从损失函数出发，沿网络层级反向计算每一层参数和输入的梯度。对于卷积层，卷积核的梯度等于输入特征图和输出梯度的互相关，而输入梯度则是将卷积核旋转180度后与输出梯度做卷积。在Node.js中，我们可以用类似前向的循环结构实现这些操作，但必须仔细对齐尺寸，尤其是填充和步长带来的偏移。
权重更新一般采用随机梯度下降或其变种，如Adam。每次迭代先前向得到预测，再计算均方误差或交叉熵损失，然后反向拿到各层梯度，最后按比例调整卷积核与全连接层权重。下面展示一个简化版的梯度下降更新片段，假设我们已经算出了kernelGrad。
// lr为学习率，kernel与kernelGrad尺寸一致
function updateKernel(kernel, kernelGrad, lr) {
for (let i = 0; i < kernel.length; i++) {
for (let j = 0; j < kernel[i].length; j++) {
kernel[i][j] = kernel[i][j] - lr * kernelGrad[i][j];
}
}
return kernel;
}
在Node.js后端集成CNN训练时，还要考虑事件循环阻塞问题。由于矩阵运算是CPU密集型，长时间运行会卡住服务，因此建议把训练任务放到子线程（worker_threads）或使用分批异步调度，每训练一小批就通过setImmediate让出事件循环。另外，模型权重可以序列化为JSON文件，在推理接口中直接加载，避免重复训练。只要理清了前向、激活、池化与反向的数学关系，用纯Node.js实现一个轻量CNN用于小规模图像分类或边缘特征检测是完全可行的。