有时核函数很难以固定形式选择，即使一旦找到它会更容易。可以学习通过半定规划、使用超内核等凸优化方法将数据映射到特征空间（希尔伯特空间）中。

可以在这里找到一些对您的问题非常有用的论文：

通过凸优化学习内核

用半定编程学习核矩阵

使用超内核学习内核

通过正则化学习核函数

我希望这能回答你的问题

令人惊讶的是，卷积核是通过简单的反向传播来学习的。该模型将错误传播到内核参数，就像它对更规范的密集参数所做的那样，并相应地训练它们。

内核不是固定的，众所周知，学习的过滤器比固定的先验过滤器要强大得多。

这是它的可视化实际上比背后的数学（恕我直言）更复杂的情况之一。

如果您正在寻找详细的解释，这篇文章是对卷积所有细节的非常好的解释，然后我发现了这篇和这篇关于反向传播如何工作的更具体的文章。不过，它们更具技术性。