本文为合集收录，欢迎查看合集/专栏链接进行全部合集的系统学习。
合集完整版请查看这里。
这一节介绍一个卷积运算过程中的概念。
什么是卷积的特征图？
特征图，也称 Feature Map，指的是在卷积神经网络（CNN）中，通过卷积这一操作从输入图像中提取到的特征图。
上一节用动态示意图介绍了卷积算法的运算大致过程。
这里再重新描述一下运算过程：卷积核在输入图像上进行扫描，每次扫描时，将卷积核与输入图像中的数据进行逐元素相乘，并将相乘之后的结果进行相加，然后输出，这个输出就是 卷积的输出特征图。
特征图描述了输入数据中不同位置的不同特征是否被激活。不同的卷积核都可以学习并提取不同的特征，例如边缘、纹理、颜色等，而且，一个卷积运算通常包含多个卷积核，每个卷积核对图像操作都会生成一个特征图。
特征图在卷积神经网络中非常重要，它包含了输入数据的抽象特征，这些特征是神经网络在训练过程中学习到的，这些特征我们可能无法用语言来描述和表达，但它却可以帮助神经网络理解并区分图像的不同模式。
特征图经过一层一层的传递，就可以使神经网络逐渐学到更高层次的抽象表示。
下图是论文《Visualizing and Understanding Convolutional Networks》中的截图，文中通过反卷积这一算法，利用可视化的方法展示了卷积神经网络在训练过程中每一层卷积输出的特征图，也就是每一层卷积到底提取到了什么特征？
从下图可以看到，在Layer3（第三层卷积）的输出特征图中，卷积关注的很多是形状和轮廓特征，比如右下角部分已经可以隐约看到人体的形状，左上角也可以看到足球的轮廓特征了。
我创建了一个《小而精的AI学习圈子》的知识星球，星球上会有非常多高质量的技术专栏分享，同时你也可以在星球向我提问。 在星球你还可以学到很多关于 CV 、大模型以及 AIGC 相关的技术，看到别的同学都在如何学习。不要犹豫，戳下面的链接加入吧，这可能是你学习AI 的道路上非常重要的一次点击呀。 点击这里，我们星球见！