卷積核被用于邊緣檢測，也稱作filter。其中卷積核的一個屬性是局部性，即它只關注局部特征，局部的程度取決于卷積核的大小。

在信號處理中，時域卷積對應頻域相乘。此處，原圖像與convolution kernel的卷積，就是對頻域信息進行選擇。比如，圖像中的邊緣和輪廓屬于高頻信息，圖像中某區域強度的綜合考量屬于低配信息。

CNN中的convolution kernel：

cnn的獨特之處：

1. 卷積核中德每個權值可以看成DNN中的w，且與DNN一樣，多一個參數。

2. 一個卷積核在與input不同區域做卷積時，它的參數是固定不變的。就是對同一層layer中的神經元而言，所有神經元的w和b相同，只是所連接的節點在改變。因此在cnn中，這叫做shared weights and biases

3. 在cnn中，卷積核是高維的，比如輸入是m*n*k，那么卷積核是d*d*k，即輸入和卷積核的深度一致。

4. 在cnn中，不需要特意設計卷積核的權值，只需要初始化，再通過GD來優化。初始化格外重要。

5. 通過卷積核后，得到的是原圖的某些特征（如邊緣信息），所以在cnn中，convolution kernel卷積得到的layer稱作feature map.

6. 一般cnn中兩層之間會有多個卷積核，這樣做是為了學習輸入的不同特征值，得到對應的多個feature map.

卷積核后的大小問題：

多少個參數的問題：

總結：