---
title: "卷積層（Convolutional Layer）"
slug: convolutional-layer
language: zh-TW
source: https://aiterms.tw/terms/convolutional-layer
updated_at: 2026-06-22
tags: [深度學習, 電腦視覺, 神經網路, 模型訓練]
ipas_term: false
---

# 卷積層（Convolutional Layer）

神經網路中利用卷積運算自動提取局部特徵的層級，通過多個小尺寸濾波器滑動掃描輸入數據，能有效減少參數數量並增強空間特徵學習能力。

## 完整說明

卷積層是一種在神經網路中廣泛應用的計算單元，利用卷積運算對輸入數據進行特徵提取。它通過設定多個可學習的濾波器（kernel），在輸入上滑動進行數學運算，自動學習識別不同尺度和方向的特徵。卷積層能大幅降低模型參數數量，相比全連接層更具計算效率，特別適合處理圖像、音訊等具有空間結構的數據。廣泛應用於影像分類、物體檢測、語義分割等任務。

## 常見問題

### 卷積層中的『步長』和『填充』分別有什麼作用？

步長（stride）決定濾波器在輸入上移動的距離。步長為 1 時，濾波器逐像素移動，輸出特徵圖較大；步長為 2 或更大時，跳過像素移動，輸出特徵圖縮小，同時降低計算成本。填充（padding）在輸入邊界周圍添加零值（或其他值），防止卷積運算導致特徵圖過度縮小，並保留邊界信息。常見的 'same' 填充保持輸入輸出尺寸相同，'valid' 填充不添加邊界像素。

### 為什麼深層卷積網路能學到層次化的特徵表示？

深層卷積網路中，每一層的輸出成為下一層的輸入。早期層的濾波器接觸原始像素，學到簡單特徵如邊緣和顏色。這些簡單特徵被組合成中層的複合特徵（如角和線段），最後組成深層的高級語義特徵（如眼睛、輪子）。這種層次性源於局部到全局的特徵組合過程，使網路能從低階視覺信息逐步抽象為高階語義理解。

### 卷積層如何處理彩色圖像（多通道輸入）？

彩色圖像通常有 3 個通道（紅、綠、藍）。卷積層的濾波器也具有相同的通道數，例如 3×3×3 的濾波器。卷積運算在所有通道上進行，然後將結果相加並加上偏差項。這樣單個濾波器能捕捉跨通道的特徵組合，例如特定的顏色組合或梯度方向。多個這樣的濾波器能學習不同的多通道特徵。

---

來源：https://aiterms.tw/terms/convolutional-layer
快查頁：https://aiterms.tw/terms/convolutional-layer
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-convolutional-layer