CNN 可视化模拟器 卷积 · 激活 · 池化｜逐点慢放，所见即所算 输入层 可直接涂画 矩阵尺寸 8 × 8 10 × 10 12 × 12 14 × 14 图案预设 画笔灰度 1.00 橡皮 反相 随机 卷积层 — 卷积核 卷积核权重（3 × 3） 偏置 b 步长 stride 1 2 3 填充 padding 0（valid） 1（same） 2 激活函数 ReLU Sigmoid Tanh 线性（不激活） 恢复该核的原始权重 池化层 跟在卷积之后 池化方式 最大池化 Max 平均池化 Avg 不使用池化 窗口与步长 2 × 2 / 步长 2 3 × 3 / 步长 3 慢放控制 0 / 0 播放 回到起点 显示数值 播放速度 1× 层级堆叠 第 1 层 把当前输出（含池化）归一化后作为下一层输入，可以看到特征被逐层抽象。 推入下一层 退回上一层 我的卷积核 0 个 命名并保存当前权重 保存为我的卷积核 导出 JSON 导入 JSON 1 输入特征图 — 在网格上按住拖动即可涂画；薄荷色方框是当前卷积核的感受野。 2 卷积输出 — 暖色代表正响应，冷色代表负响应；颜色按当前输出最大值对称归一。 3 池化输出 — 池化在高响应位置保留最强（或平均）值，尺寸随之缩小。 逐点计算 输出 (0, 0) 感受野（输入 3 × 3） 卷积核权重 逐元素乘积 输入灰度 0 1 负响应 正响应 所有卷积核的输出对比 点击可切换当前核 这些数字是怎么算出来的？ 卷积就是让一个 3 × 3 的小窗口（卷积核）在输入图上从左到右、从上到下滑动。每停一处，把窗口覆盖的 9 个像素值与卷积核对应的 9 个权重逐元素相乘，再全部相加、加上偏置，最后过一个激活函数，就得到输出特征图上的一个数。 输出尺寸由 (S + 2P − K) / stride + 1 决定：S 是输入边长，P 是四周补零的圈数（padding），K 是卷积核边长（这里固定 3）。padding 让边缘像素也能被窗口完整覆盖，stride 越大输出越小。 激活函数决定什么样的响应会被留下：ReLU 把负值压成 0，只保留正向响应；Sigmoid 把结果挤进 0 到 1；Tanh 挤进 −1 到 1。池化层则在一个小窗口里取最大值或平均值，用更小的矩阵保住最强的响应位置。 把卷积核切到「边缘检测」，再换几个输入图案：同一张图，不同卷积核抽出的特征完全不同——这正是 CNN 用多个卷积核并行提取多种特征的原因。