卷积操作动画
展示卷积核如何在输入图像上滑动，通过逐元素乘加运算提取局部特征。
2D Convolution
展示一个 5×5 的输入图像（特征图），以及一个 3×3 的卷积核（滤波器）。
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
CNN中同一个卷积核在图像上"滑动"时权重不变——这叫"权重共享"。一个3×3卷积核只有9个参数，却能检测整张图片中的某个特征，这就是CNN比全连接网络参数少得多的秘密。
一个3×3卷积核的感受野只有9个像素，但堆叠两层3×3卷积的感受野相当于一层5×5。这就是VGG网络用堆叠小卷积核替代大卷积核的原因：参数更少，感受野相同，非线性更强。
卷积操作通过滑动卷积核与输入做局部点积，提取局部特征，权值共享使特征检测器在全图复用。
这些坑别踩
误区 1
卷积核的大小和数量不影响结果。
正确理解
卷积核大小决定感受野和提取的特征尺度，数量决定输出通道数和特征丰富度，两者都需根据任务精心设计。
误区 2
卷积操作不改变特征图大小。
正确理解
无padding时输出尺寸小于输入，有padding和stride时尺寸会变化，输出尺寸由输入大小、核大小、padding和stride共同决定。
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
在二维卷积中，若输入尺寸为 32×32、卷积核尺寸为 5×5、步长为 1、不使用填充，则输出特征图尺寸为多少？
关于卷积层中的"感受野"（Receptive Field），下列描述正确的是？
使用 "Same" 填充（padding）且步长为 1 时，下列说法正确的是？
下列关于卷积核（kernel/filter）的描述，错误的是？
面试经典题
共 5 题 · 先思考再看答案
请解释卷积神经网络中卷积操作的数学含义，并说明它与全连接层的本质区别。
推导卷积输出尺寸公式，并解释步长（stride）和填充（padding）的作用。
什么是感受野？如何计算多层堆叠后的感受野？给出一个示例。
为什么深度学习卷积实际上是互相关（cross-correlation）而非严格数学卷积？这有影响吗？
空洞卷积（Dilated Convolution）的原理和作用是什么？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺