如果你有一个$h_i \times w_i \times d_i$输入，其中$h_i, w_i$和$d_i$分别是指输入的高度、宽度和深度，那么我们通常应用$m$ $h_k \times w_k \times d_i$内核（或过滤器）到此输入（具有适当的步幅和填充），其中$m$通常是一个超参数。所以，申请后$m$内核，您将获得$m$ $h_o \times w_o \times 1$所谓的特征图（也称为激活图），通常沿深度维度连接，因此您的输出将具有深度$m$（假设内核对输入的应用通常会产生二维输出）。出于这个原因，输出通常被称为输出量。

在 CNN 的上下文中，内核是学习的，因此它们不是恒定的（至少在学习过程中，但是在训练之后，它们通常保持恒定，除非您执行持续的终身学习）。每个内核将与任何其他内核不同，因此每个内核将与输入进行不同的卷积（相对于其他内核），因此，每个内核将负责过滤（或检测）特定且不同的（与相对于其他内核）输入的特征，例如，可以是初始图像或另一个卷积层的输出。