卷积层是深度学习中用于处理网格状数据（如图像）的核心组件，通过卷积操作提取局部特征，具有平移不变性和参数共享特性。
核心作用
- 特征提取：使用滤波器（kernel）扫描输入，捕捉边缘、纹理等空间特征
- 降维处理：通过步长（stride）和感受野（receptive field）减少数据维度
- 参数共享：同一滤波器在不同位置复用，降低模型复杂度
- 多通道处理：支持RGB等多通道输入，自动学习各通道的特征权重
应用场景
- 图像识别（如深度学习应用）
- 视频分析
- 自然语言处理（1D卷积）
- 医疗影像分析
结构特点
- 输入输出尺寸：
输出 = (输入 - 滤波器 + 2*padding)/stride + 1 - 激活函数：常用ReLU、LeakyReLU等非线性变换
- 池化层：通常与卷积层搭配使用（如神经网络结构）
与其他层的区别
| 层类型 | 参数数量 | 计算方式 | 适用场景 |
|---|---|---|---|
| 全连接层 | 高 | 矩阵乘法 | 最终分类 |
| 卷积层 | 低 | 卷积运算 | 空间特征提取 |
| 池化层 | 无 | 下采样 | 降低分辨率 |