---
title: "啟動圖（Activation Map）"
slug: activation-map
language: zh-TW
source: https://aiterms.tw/terms/activation-map
updated_at: 2026-07-04
tags: [深度學習, 神經網路, 電腦視覺, 特徵工程, source:ipas]
ipas_term: true
---

# 啟動圖（Activation Map）

啟動圖是卷積神經網路中，輸入資料經過卷積與啟動函數處理後所輸出的多維度特徵矩陣。

## 完整說明

啟動圖是一種在卷積神經網路運作過程中所產生的中間表示形式，用於顯示網路特定層次對輸入資料的區域或特徵產生反應。它能夠幫助開發者視覺化模型的決策過程，常見應用包括模型可解釋性分析、特徵提取除錯以及物件偵測與影像分割。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 啟動圖與特徵圖有什麼不一樣？

在許多非正式的討論中，啟動圖與特徵圖這兩個詞彙經常被交替使用，但在嚴格的技術定義上它們存在著先後順序的差異。特徵圖通常指的是輸入資料經過卷積層的線性濾波器運算後，尚未通過任何啟動函數時所產生的原始矩陣。而啟動圖則是特徵圖經過非線性啟動函數處理之後的結果。非線性啟動函數的作用在於引入非線性特徵並進行數值的過濾或轉換。了解這兩者的區別在進行模型底層除錯或設計架構時具有實質意義，因為梯度的傳遞與數值分佈在這兩個階段會有不同的表現。

### 如何從卷積神經網路中提取啟動圖來進行視覺化分析？

提取啟動圖通常需要介入神經網路的前向傳播過程。在主流的深度學習框架中，開發者可以透過註冊鉤子函數或是定義自訂的模型前向傳播邏輯來截取特定層次的中間輸出。當輸入影像通過網路時，這些鉤子函數會在指定的卷積層運算完成並經過啟動函數後，將該層的輸出張量複製並保存下來。保存下來的張量即為啟動圖。後續可以使用視覺化套件將這些多維度的張量轉換為熱力圖或灰階影像疊加在原始輸入上，藉此觀察模型在不同層次所關注的空間區域與特徵模式，這對於理解模型決策與進行除錯很有幫助。

### 為什麼深層的啟動圖解析度通常會變得非常低？

深層啟動圖解析度降低的主要原因在於網路架構中通常會包含池化層或是步幅大於一的卷積操作。這些降採樣機制的設計初衷是為了減少空間維度上的運算量與記憶體消耗，同時藉由擴大神經元的感受野，促使網路學習到更高階、更具全局視野的語義特徵。每一次的降採樣都會讓啟動圖的長寬尺寸縮小。雖然空間解析度降低，使得難以精確定位微小的像素細節，但深層啟動圖中的每一個數值卻能整合來自更大範圍輸入影像的資訊，對於判斷影像整體的物件類別或場景語義有著關鍵的影響。

---

來源：https://aiterms.tw/terms/activation-map
快查頁：https://aiterms.tw/terms/activation-map
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-activation-map