本文重点
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，其主要特点是使用卷积层来提取特征。卷积层的核心是卷积核，也称为滤波器（filter）。卷积核是一个小的矩阵，通过卷积操作将输入数据中的特征提取出来。卷积核的参数是如何学习得到的呢？
卷积核其实就是参数
我们前面学习了卷积核在特征提取的作用，我们知道了不同的卷积核提取得特征是不同的，科学家通过常年的研究已经总结出了一些常用的卷积核，比如可以进行纹理提取的卷积核，可以垂直边缘检测的卷积核，那么在搭建卷积神经网络中，不需要我们人为的指定使用什么样的卷积核提取特征，卷积核作为参数可以在反向传播中自己学习到，有时候卷积核提取的特征是什么？我们可能根本不理解。
如图所示是一个3*3的卷积核，它有9个值，不同的值决定了卷积核的不同，那么卷积核提取的特征也就是不一样的。
现实使用中，它的值会作为参数在反向传播中进行更新，卷积核的参数通过训练得到，也许有的时候训练出来的卷积核做了什么，可能我们也不知道，我们可以理解为它做了一件类似垂直边缘检测的操作，也就是提取了某一部分的特征，可能比单纯的边缘检测要复杂了很多，以检测出45°或70°或73°等等，甚至是任何角度的边缘。
总结
在模型学习过程中，更多时候会自动学习到胜过任何之前这些已经确定功能的过滤器。因为神经网络总会根据数据自动学习适合数据的卷积核参数。也就是说，当我们使用卷积核的时候，我们不一定要去使用那些研究者们所选择的这九个数字，而是应该把这矩阵中的 9 个数字当成 9 个参数，然后具体这9个参数是什么？应该由数据决定，并且在之后使用反向传播算法，其目标就是去学习这9 个参数，这9个参数就确定了该过滤器的功能。