---
title: "卷積運算（Convolution Operation）"
slug: convolution-operation
language: zh-TW
source: https://aiterms.tw/terms/convolution-operation
updated_at: 2026-07-04
tags: [電腦視覺, 深度學習, 神經網路, AI基礎, source:ipas]
ipas_term: true
---

# 卷積運算（Convolution Operation）

卷積運算是提取特徵的數學操作，透過濾波器在資料上滑動捕捉邊緣與紋理，廣泛應用於電腦視覺領域。

## 完整說明

卷積運算是一種結合兩個函數的數學操作，在深度學習中特指網路處理空間資料的機制。它能夠透過卷積核在輸入矩陣上滑動，提取邊緣與紋理等特徵。常見應用包括影像分類、物件偵測及語意分割。此技術利用權重共享與局部連接，有效降低參數數量與運算消耗。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 卷積運算在硬體層面是如何被加速執行的？

在現代圖形處理單元（GPU）上，卷積運算通常不使用簡單的滑動迴圈執行，因為計算效率較低。實務上最普遍的方法是將卷積轉換為大型矩陣乘法。這透過 im2col 操作實現，將輸入影像中需要與卷積核內積的局部區塊展開成矩陣向量。這雖然增加記憶體消耗，但能直接套用高度最佳化的線性代數函式庫。此外，快速傅立葉變換與 Winograd 演算法也是常見加速技術，能在特定卷積核尺寸下進一步降低運算複雜度，提升模型的推論速度。

### 卷積神經網路中的一維、二維與三維卷積有何不同？

這三種卷積的主要差異在於卷積核滑動的維度與適用的資料類型。一維卷積的卷積核只在單一方向上滑動，通常用於處理時間序列資料或自然語言文本，捕捉相鄰時間點或單詞的局部模式。二維卷積最為常見，卷積核在影像的高度與寬度兩個維度上滑動，廣泛應用於照片等空間資料的特徵提取。三維卷積則在長度、寬度與深度三個維度上同時滑動，能處理空間與時間資訊，常見於影片分析與核磁共振成像的體積資料處理，捕捉動態與立體特徵。

### 擴張卷積的作用是什麼？為何不直接使用較大的卷積核？

擴張卷積的作用是在不增加參數數量且不降低空間解析度的前提下，擴大卷積核的感受野。它透過在卷積核相鄰元素間插入空隙來實現。如果不使用擴張卷積而改用較大的卷積核，會導致參數與計算量呈平方倍增加，增加硬體負擔。若使用傳統下採樣來擴大感受野，會導致影像空間解析度下降，這對於需要像素級定位的語意分割等任務是不利的。擴張卷積有效平衡了感受野大小、計算資源消耗以及空間資訊保留等關鍵需求。

---

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