卷积核与特征图：从手算到可视化彻底搞懂CNN核心概念

说实话，很多朋友并不是第一次接触“卷积核”这个概念：打开某个教程，看到一张小方块在图上滑动的小动画，旁边还有一堆彩色数字图，感觉好像懂了。但合上教程，自己一想——“为什么滑动一下就等于提取特征？这个3×3的小框框到底看见了什么？那张输出的特征图，里面的数字又代表什么？”——就卡壳了。

这篇内容就是来把这些窟窿补上的。目标很简单：把卷积核和特征图这两个深度学习里最基础、也最容易被“看会了但没真正理解”的概念，掰开揉碎讲明白。我会尽可能避开复杂公式，用手算、表格、生活类比来还原卷积的整个过程。无论你是刚接触CNN的初学者，还是准备面试但总被追问就发虚的求职者，这篇都能帮你把概念稳稳落在脑子里。

1. 从“重叠的窗格”说起：卷积核不是公式，是一种扫描方式

1.1 为什么很多教程看完还是懵？往往少了这块拼图

我见过不少朋友学卷积，一上来就啃公式：

[ (f * g)(n) = \sum_{\tau} f(\tau)g(n-\tau) ]

这公式本身不算难，但它刚一亮相，就容易把人带沟里去。因为CNN里用的“卷积”和信号处理里的“卷积”，在数学性质上确实有渊源，可是初学阶段你根本用不到那层关系。你真正需要建立的直觉非常简单：单个卷积核，就是一组权重；它是用来在图像上滑动的。这个动作本身，才是解卷积的钥匙。

大多数教程的毛病在于：上来先甩公式，再放动图，然后直接跳到“卷积层能自动提取特征”。公式、动图、结论都有了，但“提取特征”这四字和滑窗之间缺一座桥。这座桥，恰恰是最值钱的部分。

1.2 一张灰度图在计算机眼里只是数字矩阵

要理解卷积，先把“图片”这个抽象概念放一边。在计算机里，一张灰度图根本不是“图”，而是一个二维数组。每个格子存着一个数字，代表该像素的亮度，常用范围是0到255，0是纯黑，255是纯白。

比如28×28的手写数字“7”的图片，本质就是28行、28列共784个数字，人眼看到的是弯折的黑线，计算机看到的是从0到255的一堆数。彩色照片也只是多叠了两层：RGB三个通道各存一张二维矩阵，合起来是三维数组。

这一步很关键，因为接下来卷积核做的所有事，都是对“数字矩阵”做运算。理解了这一点，就不会再被“神经网络好像在神奇地看图片”这种错觉牵着走。

1.3 卷积核就是一组权重，带着它滑遍整张图

所谓卷积核，你可以把它理解成一个小窗格，常见尺寸有3×3、5×5、7×7。它里面预放着一些数字，这些数字在训练开始时可能是随机数，之后被一点点调优，最终成为一个“特定模式的探测器”。

我用一个更生活化的类比来解释：

假设你手里有张寻宝地图，上面画满格子。你还有一个镂空模板，模板上有些格子上标了数字。你把模板放到地图左上角，让它们对齐，然后把重叠位置的地图数字与模板数字相乘，再把这一格里所有乘积加总，得到第一个数。接着把模板往右挪一格，重复同样的操作，得到第二个数。如此反复扫完整张地图，就得到一张新“分值地图”。

这个过程，就是一次卷积。卷积核就是那个镂空模板，特征图就是新得到的“分值地图”。每个位置的分值表示：这个局部区域和卷积核里“期望看到的模式”匹配程度有多高。

注意：这里说的“匹配”，不是像素颜色上的匹配，而是数值分布形态上的匹配。这一点后面会展开。

2. 手算一次3×3卷积：从5×5矩阵中得到3×3特征图的全过程

2.1 输入与卷积核的约定

光说不练假把式。我们拿一个最小的、能说明问题的例子：输入5×5灰度图，卷积核3×3，步长为1，不补边。

为了让结果有画面感，我设计的输入矩阵是这样的：

20 20 20 0 0 20 20 20 0 0 20 20 20 0 0 20 20 20 0 0 20 20 20 0 0

矩阵左边三列是亮度20的浅色区域，右边两列是亮度0的黑色区域，中间有一条肉眼可见的垂直边界。

这次用的卷积核是经典的垂直边缘检测核，也叫Sobel核（水平方向版本）：

-1 0 1 -2 0 2 -1 0 1

你可以先盯着这个核看一下：它有什么特点？左右两列不对称，左负右正；中间列全是0。直觉上，如果某个地方左右两侧亮度差异很大，核内正负相乘的结果就会很“极端”，说明这里出现了它关心的模式；如果左右亮度一样，正负相互抵消，结果就是0。

2.2 逐位置滑窗，对应相乘再相加

输出尺寸怎么算？公式很简单：

[ \text{输出边长} = \text{输入边长} - \text{卷积核边长} + 1 ]

5 - 3 + 1 = 3，所以结果是一张3×3的特征图。下面我们手动把每个位置的数值算出来。

以位置(0,2)为例，把覆盖到的小矩阵和卷积核对齐：

窗口内局部区域：

20 0 0 20 0 0 20 0 0

对应相乘再相加： 第一行：-1×20 + 0×0 + 1×0 = -20 第二行：-2×20 + 0×0 + 2×0 = -40 第三行：-1×20 + 0×0 + 1×0 = -20 三行合计：-20 - 40 - 20 =-80

其余边缘位置同理，完整的特征图是：

0 0 -80 0 0 -80 0 0 -80

看到没？输入图里的垂直边界，在特征图上变成了一条竖直的“高响应”线。虽然这里的响应是负数，但绝对值很大，这表明：该位置存在一个从亮到暗的剧烈变化，非常符合这个卷积核想要捕捉的模式。

2.3 为什么算完还是一张“图”？

很多人可能会疑惑：我们明明是拿数字做算术，算出来的怎么还能叫“图”？

道理很简单：每个位置仍然对应一个空间坐标，把这些数字按坐标排列回网格，自然就还原成了一张图。只不过这张图的“像素值”不再是原始亮度，而是响应强度。

在可视化时，我们可以把数值归一化到0~255：高分区域亮，低分区域暗。于是特征图看起来是一张“只显示某类模式”的图——边缘被点亮，平坦区域暗淡。视觉上，这就是CNN里那些风格奇特的中间层图片的来源：它们不是照片，而是不同卷积核的“关注热力图”。

3. 为什么有的卷积核能“看见”边缘：特征提取的直觉来源

3.1 平坦区域被“抵消”，突变区域被“放大”

上一节手算例子里的核，机制其实很优雅：它在不停地问一个问题——“我左边这片区域，和右边这片区域，数值差多少？”

在完全平坦的白色区域，核左右覆盖的数值相同，例如20和20，正负项一对冲，答案就是0。这对应“这里没有垂直边缘”。在一侧亮、一侧暗的边界处，核的左侧或右侧会捕捉到明显差异，输出一个绝对值很大的数。差异越剧烈，输出幅度越大。

所以特征图数字的本质含义是：该位置和卷积核期望模式之间的吻合程度。它不是“概率”，不是“置信度”，而是非常朴素的加权匹配分。

3.2 负数不是“错误”，而是“反过来的特征”

细心的你可能会发现，我们的边缘核算出的是-80。那负值代表什么？难道是“没有边缘”？

不是。负值代表的是“存在方向相反的边缘”：核喜欢的是“左亮右暗”；如果图中是“左暗右亮”，同样会产生高幅值响应，但符号相反。

这就引出一个实操要点：很多网络在卷积层后接ReLU激活函数，直接把负数统统置成0。这对“只要检测出边缘，不管方向”的需求是没问题的；但如果任务关心方向，就可能需要另一个方向相反的核来单独捕捉。这也是为什么同一层里经常有成对出现的卷积核。

后面这一点在阅读预训练网络可视化结果时特别容易体会到——第一个卷积层的若干卷积核往往是两个一组，一个向左，一个向右，一个向上，一个向下。

3.3 一个核只看一种模式，就好比手电筒只照一个方向

把卷积核想象成一个手电筒，光束只有一种固定形状：有的光束偏爱竖条，有的偏爱横条，有的偏爱格子。一张复杂图片上的每个位置，用不同的手电筒去照，都会看到不同的“影”。特征图就是把这些“影”记录下来的结果。

这也解释了为什么单个卷积核远远不够。图像世界里存在太多模式：横边缘、纵边缘、斜边缘、颜色块边界、规则纹理、角点……只用一个核去扫全图，就像装修时只拿一把钥匙去开全屋门锁，根本不够用。

需要理解的核心是：卷积核不是图像内容本身，而是“探测偏好”。一个卷积核最终看到什么、偏好什么，完全由它里面的9个（或更多）数字决定。

4. 一块图不够用：多卷积核、通道和层层抽象的原理

4.1 多个卷积核：输入一张图，输出一组特征图

一个卷积层里，通常不止一个卷积核，而是几十甚至几百个。假设第一层用了16个不同的8×8？不，我们用传统的3×3：16个3×3卷积核，输入一张灰度图。

输出会怎样？16个核每个都独立扫一遍原图，得到16张特征图。每张特征图捕捉一种模式：有的看横向边缘，有的看纵向边缘，有的看亮度变化……

这些特征图在存储时叠在一起，形成一个三维张量，形状就是：

高度 × 宽度 × 16

这里的“16”就是输出通道数。要注意：卷积层的通道数，指的是这一层用了多少个卷积核，不等于RGB色彩通道。

RGB图像的输入情况也顺带解决了：如果输入是3通道彩色图，一个普通3×3卷积核并不会变成3×3，而是变成3×3×3——也就是在高度、宽度之外，还得在通道方向覆盖三种颜色，然后把27个乘积一起相加，得到一个输出值。多通道输入的卷积核，尺寸写作“核高 × 核宽 × 输入通道数”，输出单独一张特征图。

4.2 浅层看边缘，深层看部件：特征图是如何“长”出来的

早期卷积层的特征图，通常对应的是非常局部的低层特征：边缘、点、条纹。到了中间层，因为每个神经元能看到范围更大的输入（感受野变大），特征图开始能捕捉到“一小块纹理重复出现”的模式。再往后，更高层的特征图往往对应“眼睛”“轮子”“脸部轮廓”这类部件级概念。

你可以这样理解：网络像在搭积木。先由底层卷积核把图像拆成边缘和色块，再由上层卷积核把这些“零件”组合成更复杂的结构。特征图一层层叠高，抽象程度也随之上升。

这也是为什么那么多三维可视化图，初看觉得是乱码，其实它们在显示不同层级上“什么出现的模式多”：底层图里规律斑纹多，高层图里像“鼻子”“耳朵”的区域响应明确。

4.3 全连接层动辄百万参数，卷积核为什么这么“省”

大多数人第一次直观感受到卷积优势，是在看参数量的时候。

一张28×28灰度图，展成向量是784个数字。如果直接接一个全连接层，假设这一层有1024个神经元，参数量就是 784×1024，约80万。这还没算下一层，而且图像的空间结构完全被丢掉了。

同样处理这张28×28图，用32个3×3卷积核，参数总共是3×3×1×32=288个，再加上32个偏置也才320个。差距是千倍以上。

省在哪里？两个机制：

1. 局部连接：每个卷积核只看一个小窗口，不需要连接全图。
2. 权值共享：同一个卷积核扫过整张图，用的是同一组权重，而不是每个位置一套新权重。

权值共享还带来一个额外好处：对边缘或纹理的识别能力具有平移等变性——模板往左挪一格，响应也会跟着挪一格。图像中目标平移后依然能被检测到，这是全连接层非常难做到的一件事。

5. 尺寸账本：Padding、步长和感受野是怎么现形的

5.1 一张表看懂卷积后的尺寸变化

很多人记不住输出尺寸公式，其实不需要死记。它的逻辑很简单：纵向能放下多少个窗口，是由“长度、缩减速度、起点”三者决定的。

通用公式：

[ \text{输出} = \left\lfloor \frac{\text{输入尺寸} + 2 \times \text{Padding} - \text{卷积核尺寸}}{\text{步长}} \right\rfloor + 1 ]

几个场景快速算一下：

注意：公式里的向下取整很容易被人忽略。比如(224+6-7)/2=111.5，严格来说是先取整再+1，结果是112，而不是113。实际写代码时多测两遍就能避开这个坑。

5.2 Padding补的不是空白，是边缘像素的“生存机会”

很多人以为Padding只是为了避免图片越卷越小，其实还有一个更重要的意义：它决定边缘位置像素的参与度。

如果没有Padding，一张10×10图输入3×3卷积核，输出会变成8×8。最外围一圈像素参与卷积的次数，远比内部像素少，相当于信息量被稀释。如果你觉得边缘信息也很重要，那就用Padding补上外圈0值，让边缘像素也能“被卷到”。

三种常用模式对比：

• valid：不补零，输出尺寸变小，不人为增加像素。
• same：补零到输出尺寸和输入一致，通常Padding=(K-1)/2。
• full：补更多零，让输出比输入大，但实践中很少用作常规层。

实际项目中，“same”几乎成了卷积层的标配，因为它最大程度保留了空间尺寸，方便后续拼接跳跃连接，也不用每次去记复杂的输出尺寸变化。

5.3 感受野：一个卷积核到底能看多远？

“感受野”这个词听起来高级，实际上就是：特征图上一个输出像素，对应回原始输入图像上有多大一块区域。

一个3×3卷积核，单个输出看的是原始输入的3×3范围，感受野就是3。接下来再叠一层3×3卷积核，第二层上的一个像素，要看第一层特征图的3×3范围，而这3×3范围中的每个值，又都看了原图的3×3大区域。综合起来，第二层输出像素的感受野变成了5×5。

三层3×3卷积核堆叠，感受野就是7×7。这启发了一个很重要的事实：

并不是卷积核尺寸越大越好，用多层小卷积核叠加，既能扩大感受野，又能减少参数量、增加非线性变换次数。

这种“小核堆叠”的经验，几乎是所有经典网络的共识。理解了感受野，你才能明白为什么一个3×3核的网络叠到几十层，看到的范围能超过整张图片。

5.4 从224×224到分类向量：一条完整尺寸流水线长什么样

我们走一次典型流程，感受一下“特征图尺寸如何被实际控制”。

假设输入是224×224×3的彩色图。

第一步：第一层用64个3×3卷积核，Padding为1，步长1。输出是224×224×64。空间尺寸不变，通道数从3变成64，这步把“照片”拆成了64种基础模式图。

第二步：接一个2×2最大池化，步长2。输出变成112×112×64。池化没有可训练参数，纯粹是把空间尺寸减半，保留最明显的特征值。

第三步：再接128个3×3卷积核，Padding为1，输出112×112×128。信息被进一步抽象。

再重复几次之后，特征图会变成类似7×7×512的三维张量；最后展平成向量，接全连接层，输出类别分数。

整条链路的开关就是：卷积核数量控制“宽度”，卷积核尺寸、步长、Padding共同控制“空间尺寸”。什么时候用same保持尺寸，什么时候用步长2替换池化，都是工程上权衡计算量和信息量后的选择。

6. 用代码把卷积核“现形”：一次让概念落地的可视化练习

6.1 最简单的3×3卷积，手写只有几行循环

前面的手算可能还让你有点“算术感”，那用代码亲手跑一遍，效果会更彻底。下面这段代码不依赖任何深度学习框架，只用一个数组计算库，含义和刚才手工算的完全一致：

import numpy as np image = np.array([ [20, 20, 20, 0, 0], [20, 20, 20, 0, 0], [20, 20, 20, 0, 0], [20, 20, 20, 0, 0], [20, 20, 20, 0, 0], ], dtype=float) kernel = np.array([ [-1, 0, 1], [-2, 0, 2], [-1, 0, 1], ], dtype=float) H, W = image.shape K = kernel.shape[0] out_h, out_w = H - K + 1, W - K + 1 feature_map = np.zeros((out_h, out_w)) for i in range(out_h): for j in range(out_w): patch = image[i:i+K, j:j+K] feature_map[i, j] = (patch * kernel).sum() print(feature_map)

运行结果为：

[[ 0. 0. -80.] [ 0. 0. -80.] [ 0. 0. -80.]]

和手工计算完全吻合。

你可能会好奇：真实框架里会这样一个个滑窗去算吗？在大规模场景下，不会。现代计算库会用矩阵乘法、傅里叶变换等手段做大规模并行优化，但这些优化只是改变计算方式，不改变数学语义。看懂这段循环，你就看懂了卷积本身的原始行为。

6.2 把一个训练好的模型第一层“开膛破肚”，看卷积核长什么样

一句话建议：光看文字不如亲手可视化一次。

你可以找一个在图像分类任务上预训练好的常规CNN模型，提取第一层卷积权重。它的形状一般是“输出通道数 × 输入通道数 × 卷积核高度 × 卷积核宽度”。比如某个模型的第一个卷积层有64个3×3卷积核，输入是3通道彩色图，权重形状就是64×3×3×3。

把这64个3×3核可视化，你会发现它们并不随机：有的核是红绿颜色通道相减，专门检测颜色突变；有的核是明暗差异模板，专门检测垂直或水平边缘；还有的核呈现明显的条纹方向选择性。这批“底层探测器”几乎是在各种任务中出现的高频面孔。

对特征图做可视化也很有意思：输入一张有清晰边缘的测试图，把中间层输出的某一张特征图做归一化后显示出来，你会看到原图的边缘被“高亮”，平坦部分变暗。这种视觉反馈，比任何公式都能帮助你理解“特征图到底在编码什么”。

实操小提示：特征图的数值范围常常不稳定，有些通道激活值很大，有些很小。直接显示时容易全黑或全白。要做归一化，比如让每个通道的最小值到最大值映射到0到255，效果才会清晰。

6.3 我给初学者的一个核心建议：先跟数字玩，再跟概念较劲

我自己带过的不少朋友都有同一个卡点：打开一个深度学习模型，看到里面动辄几十层、几百个通道的特征图，觉得“太抽象了”，于是转头去背公式。结果公式背熟了，让他们把输出尺寸算一遍还是会错，让他们解释某个特征图上的高亮点更是一头雾水。

我的经验是，学卷积不需要“从上往下”背教材，而是“从下往上”玩积木：

1. 拿出一张特别小的图，比如5×5或8×8，自己定一个3×3的核，手工算一遍。
2. 写几行循环代码，把结果跑出来，和手算对照。
3. 拿一张普通照片，用几个不同风格的固定卷积核（比如边缘、模糊、锐化）分别扫一遍，看输出变化。
4. 等这些都顺了，再去看预训练模型各层权重可视化，感受会完全不同。

这时候再回头理解那些公式，每条都有画面了，公式就变成顺手记账的工具，而不是令人头大的符号堆。

学习卷积，最难的点反而不在计算，在于是否愿意亲手建立一个“数字→分值→图像”的闭环。一旦这个闭环建立起来，卷积核和特征图就不再是抽象名词：你能在脑海里看见那个小窗格在图上一点点滑动，看见每滑一步算出一个分数，看见分数拼成一张新的“特征地图”。

希望这篇内容能帮你把这一步跨过去。之后再看CNN里那些花花绿绿的中间层图，你会觉得它们其实非常可爱——因为你知道，那都是卷积核们睁大眼睛在告诉网络：“我在这里看到了更想要的东西。”