局部感知:卷積核只關註輸入數據的局部區域，而不是整體。這意味著它只處理輸入數據的壹個小窗口或“感知域”，並通過在輸入數據上滑動該窗口來提取特征。這種局部感知機制使網絡能夠關註輸入數據的局部特征，而不是全局特征。
參數* * *共享:在卷積神經網絡中，所有卷積核共享相同的參數集。這意味著當處理不同的輸入數據時，這些卷積核都將使用相同的參數集。這種參數共享機制有效地減少了模型的參數數量，降低了模型的復雜度，增強了模型的泛化能力。
稀疏連接:卷積神經網絡中卷積層與前壹層之間的連接是稀疏的。這意味著每個神經元只連接到輸入數據的壹個小窗口，而不是整個輸入數據集。這種稀疏連接機制減少了網絡連接的數量，降低了模型的復雜度，提高了模型的計算效率。
非線性激活函數:卷積神經網絡中的卷積層通常使用非線性激活函數，例如RELU（校正線性單元）。這些非線性激活函數使網絡具有非線性表達能力，能夠更好地處理復雜的輸入數據。
批量歸壹化:在卷積神經網絡中，卷積核通常使用批量歸壹化技術來提高模型的穩定性。批量歸壹化技術通過對每批輸入數據的均值和方差進行歸壹化處理，使網絡的參數分布更加穩定，從而提高模型的訓練效果和泛化能力。
卷積核是卷積神經網絡的重要組成部分，其特點包括局部感知、參數共享、稀疏連接、非線性激活函數和批量歸壹化。這些特性使得卷積神經網絡能夠更好地提取輸入數據的局部特征，提高模型的計算效率和泛化能力。