用 AI 做卷积窗口卡：核翻不翻面，算出的正负号就可能相反
把一张小网格交给AI计算卷积，如果只看输出尺寸，可能漏掉整幅结果符号反了的问题。原因之一是数学卷积与深度学习接口常用的互相关，对核是否翻面有不同约定。做一张不对称小核的窗口卡，可以很快检查自己究竟用了哪种操作。
AI模型生成的概念插图：小窗口扫过网格并形成结果；不是运行截图、照片或正文矩阵数值的精确显示。
把输入和规则完整抄在纸上
原创输入X为四行：[1,2,0,1]；[0,1,3,2]；[2,0,1,1]；[1,2,2,0]。核K为两行[1,0]、[0,−1]。只有一个输入通道和一个输出通道，无偏置、无填充、无激活，膨胀率为1，初始步幅为1。
按PyTorch Conv2d文档中的二维互相关约定，核保持当前方向，与窗口对应位置逐项相乘再相加。这个核因此计算窗口左上值减右下值；不是减去整个右下区域的总和，也不先把核旋转。
先手算两格，再让AI补齐
左上窗口是[1,2]与[0,1]，结果为1×1+2×0+0×0+1×(−1)=0。向右移动一格，窗口为[2,0]与[1,3]，结果是2−3=−1。负数在本练习中必须保留，不擅自加绝对值或ReLU。
继续滑动得到完整三行结果：[0,−1,−2]；[0,0,2]；[0,−2,1]。输入每边4格、核每边2格，没有填充且每次走1格，所以每边能放4−2+1=3个位置。请AI在每项旁保留窗口左上坐标，便于把错值定位回输入。
翻核与加步幅，是两个独立改动
若按数学卷积先把核旋转180度，核变为[−1,0]、[0,1]，恰好是原核的相反数。本例每个输出因此翻转符号。这个结论来自所选核，不能推广成“所有核翻面都只会改符号”；对称核甚至可能完全不变。
再回到不翻核的互相关，只把步幅改为2。用一基坐标表示，窗口左上角只取(1,1)、(1,3)、(3,1)、(3,3)，输出两行为[0,−2]、[0,1]。每边数量为向下取整((4−2)/2)+1=2，不能仍画成三格。
本文已用独立逐项乘加程序核对九个窗口、翻核结果和步幅2结果。再把输入全部换成同一个常数，所有结果应为0，因为核权重和为0；这是另一个无需依赖AI判断的手动检查点。
复制后即可得到自己的验算卡
“输入X=[[1,2,0,1],[0,1,3,2],[2,0,1,1],[1,2,2,0]]，核K=[[1,0],[0,−1]]。单通道，无偏置、填充、激活，膨胀1。先按不翻核互相关、步幅1逐格给窗口坐标与乘加结果；再分别比较180度翻核和步幅2。最后用常数输入检查权重和，不编造视觉识别效果。”
这份输出不是一张已经学会识别物体的特征图。真实卷积层可以组合多通道并学习权重；本任务的用途是检查算子方向、遍历位置和数值符号，避免在理解第一层运算时就把不同约定混在一起。
资料核对日期：2026年10月2日。算例为原创教学设计，没有进行真实模型训练或性能测试。
