正如您在上面看到的，内核（也称为内核矩阵）是介于两者之间的函数，其大小（此处为 3）是内核大小（其中内核宽度等于内核高度）。

请注意，内核不一定是对称的，我们可以通过在 Tensorflow 中引用 Conv2D 文档中的文本来验证这一点：

kernel_size：一个整数或2个整数的元组/列表，指定2D卷积窗口的高度和宽度。可以是单个整数，为所有空间维度指定相同的值。

但是通常，我们只是让宽度和高度相等，如果不是，内核大小应该是一个 2 的元组。内核可以是不对称的，例如在 Conv1D 中（参见这个例子，内核大小可以超过 2 个数字，例如 (4, 4, 3) 在下面的例子中Conv3D：

令人敬畏的 GIF 来自这里和这里。

深度神经网络，更具体地说是卷积神经网络 (CNN)，基本上是一堆层，这些层由多个滤波器对输入的作用定义。这些过滤器通常称为内核。

例如，卷积层中的内核是卷积滤波器。实际上没有执行卷积，而是执行互相关。这里的内核大小是指过滤器掩码的宽度x高度。

例如，最大池化层从掩码（内核）内的一组像素中返回具有最大值的像素。该内核扫描输入，对其进行二次采样。

所以与支持向量机或正则化网络中的内核概念无关。您可以将它们视为特征提取器。