卷积层属于输入层、输出层还是隐藏层

卷积层的核心定位是隐藏层，仅特殊场景下可作为输出层的一部分，绝对不属于输入层。

核心结论

卷积层是深度学习（尤其CNN）中负责特征提取的核心层，本质是“带有局部连接、权值共享特性的计算层”，其功能和设计逻辑决定了它的主要角色是隐藏层。

不同位置的角色划分

1. 作为隐藏层：这是最核心、最常见的用途。卷积层通过卷积核滑动提取数据的局部特征（如图像的边缘、纹理、形状），是从原始输入中挖掘有效信息的关键步骤，所有中间的卷积层都属于隐藏层。
2. 作为输出层（特殊场景）：仅在简单任务中可能直接用卷积层输出结果（如简单图像分割的最后一层用1×1卷积输出类别图），但这种情况仍需搭配激活函数（如Softmax），且本质是“特征提取+预测”的结合，并非典型输出层设计。
3. 与输入层的区别：输入层仅负责接收原始数据（如图像像素、序列数据），不进行任何卷积计算或特征转换，因此卷积层和输入层是完全独立的概念，无归属关系。

关键补充

典型CNN的结构逻辑是“输入层 → 卷积层（隐藏层）→ 池化层（可选）→ ... → 全连接层（可选）→ 输出层”，卷积层始终作为中间的特征提取核心，属于隐藏层范畴。