卷积核被用于边缘检测，也称作filter。其中卷积核的一个属性是局部性，即它只关注局部特征，局部的程度取决于卷积核的大小。
在信号处理中，时域卷积对应频域相乘。此处，原图像与convolution kernel的卷积，就是对频域信息进行选择。比如，图像中的边缘和轮廓属于高频信息，图像中某区域强度的综合考量属于低配信息。
CNN中的convolution kernel：
cnn的独特之处：
1. 卷积核中德每个权值可以看成DNN中的w，且与DNN一样，多一个参数。
2. 一个卷积核在与input不同区域做卷积时，它的参数是固定不变的。就是对同一层layer中的神经元而言，所有神经元的w和b相同，只是所连接的节点在改变。因此在cnn中，这叫做shared weights and biases
3. 在cnn中，卷积核是高维的，比如输入是m*n*k，那么卷积核是d*d*k，即输入和卷积核的深度一致。
4. 在cnn中，不需要特意设计卷积核的权值，只需要初始化，再通过GD来优化。初始化格外重要。
5. 通过卷积核后，得到的是原图的某些特征（如边缘信息），所以在cnn中，convolution kernel卷积得到的layer称作feature map.
6. 一般cnn中两层之间会有多个卷积核，这样做是为了学习输入的不同特征值，得到对应的多个feature map.
卷积核后的大小问题：
多少个参数的问题：
总结：
