卷积核
对于图像分类任务，常见的卷积核（kernel）大小可以是3x3、5x5个像素点
注意一下词汇的辨析：
kernel是二维的，也就是每一层的卷积核大小；filter表示的是三维的，所以可以看到ppt里面的filter展示的是5*5*3，因为kernel的大小是5*5，同时放入的图像是RGB类型，总共3个像素层，所以三维的filter如下图所示：
image：32*32*3（图像大小32*32像素点，RGB图片总共3个颜色通道）
filter：5*5*3（滤波器大小5*5像素点，3个颜色通道）
kernel:5*5（卷积核大小5*5像素点）
slide：通常指的是卷积操作中滤波器（filter）在输入数据上的移动过程，涉及将一个小的窗口（这里是滤波器）在输入数据（如图像）的二维空间中滑动
卷积层示意图（convolutional layer）:
filter的数量可能不止一个，在神经网络的卷积层中，通常会定义多个卷积核来同时从输入图像中提取不同的特征。每个卷积核都可以学习不同的特征，比如边缘、角点、纹理等。如果说有6个卷积核，那么就有6个独立的5x5x3的滤波器，每个滤波器通过卷积操作生成一个特征图（也称为输出通道），如下图所示：
(后续慢慢更新)
标签：李飞飞,滤波器,卷积,32,filter,--,kernel,像素点 From： https://blog.csdn.net/m0_64820041/article/details/140986098