原则上，可以预期几个特征图会导致整个图像的输出为零。本质上，卷积层所做的是在图像上移动模板，并在图像中找到该模板形状的地方给出一个高值，而在其他任何地方都为零。每个特征图，即卷积层中的每个通道，都对应一个模板，较低层编码简单的形状，较高层编码更复杂的形状。

如果一个通道全部输出为零，这仅仅意味着在图像中没有检测到这个特征。

例如，考虑一个 MNIST 分类器。一个特征图可能已经学会寻找水平直线。当模型呈现手写的“7”时，会在图像的顶部检测到水平直线，也可能在中间检测到水平直线。因此，特征图将在顶部给出高值，也可能在中间给出高值，而在其他任何地方它都为零。

如果模型以手写的“0”呈现，通常没有水平线，因此特征图将处处为零。

因此，如果一个特征图在任何地方都为零，这通常意味着在当前输入中找不到特定的特征，但它可能存在于其他图像中。

但是，如果所有输入图像的特征图全为零，即卷积层中的通道对于所有 60k MNIST 示例处处为零，则网络可能存在问题，您可能需要应用批量归一化或 dropout。