把兩個序列的其中一個做時間反轉並逐步平移，與另一個相乘後相加的運算。在離散時間中為 y[n] = Σx[k]h[n − k]，LTI系統的輸出就是輸入與脈衝響應的摺積。長度 L 與 M 的序列做摺積，長度為 L + M − 1。時間側的摺積在頻率側成為乘法，因此長的摺積可用FFT快速計算。卷積神經網路的「卷積」在許多實作中是以不反轉濾波器的互相關來計算，但權重是透過學習決定的，因此不論採用哪種定義，學習後的效果都相同。
日文名稱: 畳み込み
「摺積（卷積）」出現在3領域的6道練習題中（AI硬體與軟體堆疊, 機器學習基礎, 數位訊號處理基礎等）。
這個名詞所屬的領域: 數位訊號處理基礎
正確答案：A. 12×12
卷積輸出的大小，以輸入大小為N、濾波器大小為F、填充為P、步幅為S，可由 (N + 2P − F) ÷ S + 1 求得。(28 + 0 − 5) ÷ 1 + 1 = 24，因此卷積後為24×24。以步幅2進行2×2的最大池化時，每個2×2區域只保留一個最大值，因此高與寬減半，成為12×12。池化沒有可訓練的參數，具有縮小資料以減少計算量，並使網路不易受位置微小偏移影響的作用。
im2col是建立一個大矩陣，把進入卷積各個視窗的輸入值排成一欄，再以與排列濾波器的矩陣相乘來計算卷積的方法。
在卷積神經網路中，有時會用im2col等方法將卷積計算轉換為矩陣相乘來計算，其原因下列何者正確？卷積輸出的大小，以輸入大小為N、濾波器大小為F、填充為P、步幅為S，可由 (N + 2P − F) ÷ S + 1 求得。
對28×28的單通道影像，以5×5的濾波器進行卷積（步幅1、不填充），接著進行2×2的最大池化（步幅2）。輸出的高與寬…摺積（卷積）y[n] = Σx[k]h[n − k] 在 h[n] = {1, −1} 時成為 y[n] = x[n] − x[n − 1]（與前1個輸入的差）。
把 x[n] = {1, 2, 3}（n = 0, 1, 2）輸入脈衝響應為 h[n] = {1, −1}（n = 0…在同一份權重可用於許多輸入的卷積，或批次大的計算中，能大幅減少讀取權重所需的能量。
關於AI加速器資料流方式之一的「權重固定（weight stationary）」，下列說明何者正確？框架與AI編譯器、執行環境將計算圖最佳化，矩陣相乘或卷積等則呼叫高度最佳化的運算函式庫的kernel。
將AI的軟體堆疊從貼近使用者的上層，依序排列到貼近硬體的下層，下列何者正確？卷積神經網路（CNN） 張量核心（Tensor core） 脈衝響應 AI 編譯器（AI compiler） 計算圖（Computational graph） GPU NPU(神經網路處理單元) 有限脈衝響應濾波器（FIR） 快速傅立葉轉換（FFT） 降取樣