Keras 的 `Conv2D` 是建立 CNN 時最核心的層，但 filters、kernel_size、strides、padding 這些參數該怎麼設，常常讓人拿捏不定。這篇筆記整理 Conv2D 的官方參數定義，並說明四個最常用參數的作用與調整思路。
Conv2D 卷積層是什麼？
以下為 Keras 官方的 Conv2D 介紹連結：<https://keras.io/api/layers/convolution_layers/convolution2d/>
Conv2D 有哪些參數？
完整參數定義可以直接對照官方文件：
最常用的四個參數怎麼設？
- filters：指定層中濾波器（也稱為卷積核）的數量。通常增加濾波器的數量可以提高模型的表現，但也會增加計算複雜度。
- kernel_size：指定濾波器的大小。濾波器越大，模型可以捕捉到的特徵就越大，但同樣會增加計算複雜度。
- strides：指定濾波器在輸入數據集上的步長。步長越大，模型就會捕捉到越少的特徵，但也會減少計算複雜度。
- padding：指定是否對輸入數據集進行 padding。如果選擇 padding，則會在輸入數據集的周圍填充一圈 0，以便濾波器可以捕捉到輸入數據集的邊界特徵。
實際設定時該怎麼取捨？
在設定這些參數時，需要考慮模型的複雜度和需要的特徵：
- 如果輸入數據集很大，且需要捕捉較大的特徵，那麼可能需要使用較大的濾波器（kernel_size）和較大的步長（strides）。
- 如果輸入數據集較小，且需要捕捉較多的細節，那麼可能需要使用較小的濾波器和較小的步長。
還可以嘗試使用不同的 padding 方式來控制輸出的大小：如果使用 `same` padding，輸出數據集的大小將與輸入相同；如果使用 `valid` padding，輸出數據集的大小會比輸入小。
延伸閱讀
- 卷積神經網路 CNN 介紹：卷積層、池化層與彩色圖片處理原理：同樣聚焦 CNN、Keras，可接著比較不同情境的做法。
- Keras model.fit() 參數設定：batch_size、epochs、validation 與 callbacks 怎麼用？：同樣聚焦 Keras、深度學習，可接著比較不同情境的做法。
- Keras model.summary 參數量怎麼算？Dense、Conv2D 與 BatchNormalization Param 計算：同樣聚焦 Keras、深度學習，可接著比較不同情境的做法。
常見問題
filters 設越大越好嗎？
不一定。增加 filters 通常能提升模型表現，但計算量與參數量也會等比上升，容易過擬合或拖慢訓練速度。一般做法是靠近輸入的層用較少 filters，越深的層逐漸增加。
padding 選 same 還是 valid？
`same` 會在輸入周圍補 0，讓輸出尺寸與輸入相同，適合想保留空間尺寸、捕捉邊界特徵的場景；`valid` 不補 0，輸出會縮小，適合想自然降低特徵圖尺寸的場景。
strides 調大會發生什麼事？
步長越大，濾波器滑動時覆蓋的取樣點越少，捕捉到的特徵會變少、輸出特徵圖也變小，但計算複雜度隨之下降。它常被用來替代池化層以降低維度。
參考資料
最後更新
2026-08-28（原文發布於 2022-12-22，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2022-12-22