卷积核的核心价值体现在五个方面： 充当像素级全连接层进行特征重组 深度神经网络中不可或缺的“瑞士军刀”。 卷积核是一种在空间维度上大小为 素之间的空间关系（如边缘、纹理），其核心作用在于对输入特征图的通道维 度进行线性组合与变换。由于这种特性，它也被形象地称为“网中网” Network in Network 工作原理：数学表达式与计算过程解析

）上独立进行计算。假设输入特征图有 求和，再加上偏置，以生成输出特征图在该位置的一个通道值。其数学表达式 output[i, j, k] = bias[k] + _{c=1}^{C_in} weight[k, c] 通过设置不同数量的卷积核（即不同的 ），可以自由控制输出特征图的通道 ），而特征图的高度和宽度保持不变。 通道数“调节器”：实现升维与降维