当前位置：首页 > news >正文

从期末试卷里挖宝藏：卷积神经网络(CNN)的池化、卷积计算，手把手带你在Excel里跑一遍

news 2026/4/18 18:11:40

在Excel中手把手实现CNN卷积与池化计算：零代码理解神经网络核心运算

当第一次接触卷积神经网络（CNN）时，那些看似复杂的数学运算常常让人望而生畏。但事实上，这些核心计算完全可以用我们熟悉的工具——比如Excel——来逐步拆解验证。今天，我们就抛开那些深奥的框架和代码，用最直观的表格计算方式，带你彻底掌握卷积和池化的运算本质。

1. 准备工作：构建Excel计算环境

在开始之前，我们需要在Excel中搭建一个适合进行矩阵运算的工作区。打开Excel，按照以下步骤准备：

设置输入图像矩阵：在A1到E5区域创建一个5x5的灰度图像矩阵（数值范围0-255）
预留卷积核区域：在G1到I3区域设置3x3卷积核
创建输出特征图区域：在K1到O3区域预留3x3空间用于显示卷积结果

推荐格式设置：

所有单元格设置为居中显示
输入图像和卷积核区域填充不同颜色便于区分
关键计算单元格添加边框强调

提示：可以使用RANDBETWEEN(0,255)函数随机生成测试数据，后续按F9可刷新不同案例

2. 卷积运算的Excel逐步实现

卷积是CNN最核心的操作，其本质是局部特征的提取器。让我们一步步在Excel中实现这个"滑动窗口"计算。

2.1 理解卷积计算原理

卷积运算包含三个关键参数：

输入矩阵：原始图像数据（我们的5x5矩阵）
卷积核：权重参数（3x3矩阵）
步长(Stride)：每次滑动的像素数（本例设为1）

计算公式为：

输出[i,j] = ∑(输入[i+m,j+n] × 卷积核[m,n])

其中m,n为卷积核的行列索引

2.2 Excel公式实现

以输出特征图左上角第一个单元(K1)为例：

=SUMPRODUCT(A1:C3, $G$1:$I$3)

这个公式实现了：

选取输入矩阵的A1:C3区域（第一个3x3窗口）
与卷积核G1:I3逐元素相乘后求和

接下来，我们需要将这个计算扩展到整个输出区域：

将K1公式向右拖动到O1
选中K1:O1向下拖动到O3
检查公式引用是否正确（卷积核应为绝对引用$G$1:$I$3）

2.3 验证计算结果

测试案例：

输入矩阵： 50 60 70 80 90 40 50 60 70 80 30 40 50 60 70 20 30 40 50 60 10 20 30 40 50 卷积核： 1 0 -1 1 0 -1 1 0 -1

正确输出特征图应为：

30 30 30 30 30 30 30 30 30

常见错误排查：如果结果不符合预期，请检查：
卷积核引用是否为绝对引用
输入矩阵选取区域是否正确
是否所有单元格公式一致

3. 池化操作的Excel实现

池化层的主要作用是降维和保持特征不变性，我们以最常用的最大池化为例。

3.1 池化参数设置

在Q1区域开始设置：

池化窗口大小：2x2（常用设置）
步长：通常与窗口大小相同（本例为2）
输入：使用前面得到的3x3特征图(K1:O3)

3.2 最大池化公式实现

对于第一个池化窗口(K1:L2)：

=MAX(K1:L2)

将这个公式向右下方拖动，覆盖所有池化区域。

3.3 结果可视化

添加条件格式突出显示每个池化窗口的最大值：

选择原始特征图区域(K1:O3)
条件格式 → 新建规则 → 使用公式
输入：=K1=MAX($K$1:$L$2)（注意相对引用调整）
设置高亮格式（如红色填充）

4. 进阶应用：多通道卷积计算

真实的CNN通常处理的是多通道（如RGB三通道）输入，这需要在Excel中建立多个输入矩阵。

4.1 设置多通道环境

新建三个5x5输入矩阵（模拟RGB三通道）
为每个通道设置独立的3x3卷积核
创建三个独立的特征图输出区域

4.2 多通道卷积公式

每个通道单独计算后相加：

=SUMPRODUCT(A1:C3,$G$1:$I$3) + SUMPRODUCT(A10:C12,$G$10:$I$12) + SUMPRODUCT(A20:C22,$G$20:$I$22)

4.3 添加偏置项

在输出特征图每个单元加上共享偏置：

=上述求和结果 + $K$10

（K10为偏置值单元格）

5. 综合案例：完整CNN层的Excel模拟

现在我们将前面所有组件组合起来，模拟一个完整的CNN层：

输入层：5x5x3多通道矩阵
卷积层：
- 4个不同的3x3卷积核
- 步长1，无填充
- 带偏置项
ReLU激活：
```
=MAX(卷积结果,0)
```
池化层：
- 2x2最大池化
- 步长2

实现步骤：

为每个卷积核创建独立的计算区域
使用前面介绍的方法计算每个卷积核的输出
对每个输出应用ReLU激活
对激活后的结果进行池化
最终得到4个池化后的特征图

6. 可视化技巧与错误排查

为了让整个计算过程更加直观，我们可以添加以下可视化元素：

热力图：对输入、卷积核和输出应用色阶条件格式
计算流程图：使用Excel形状绘制计算过程示意图
动态演示：
- 使用滚动条控制卷积核参数
- 设置数据验证下拉菜单选择不同激活函数

常见错误及解决方案：

错误现象	可能原因	解决方法
结果全零	忘记添加偏置	检查偏置项公式
数值异常大	卷积核未归一化	将卷积核数值缩小到[-1,1]范围
区域错位	步长设置错误	核对窗口移动步长
部分结果正确	绝对引用错误	检查$符号位置