26. 卷积层
过滤器的重要性
当你深入学习这门课程时，将发现刚刚学习的不同类型的过滤器非常重要，尤其是当你学习卷积神经网络 (CNN) 时。CNN 是一种深度学习模型，可以学习完成图像分类和对象识别等任务。它们可以使用卷积层跟踪空间信息并学习提取特征，例如对象边缘。下面是一个简单的 CNN 结构示例，由多个层级组成，包括这个“卷积层”。
CNN 中的层级。
卷积层
我们通过向输入图像应用一系列不同的图像过滤器（也称为卷积核），生成了卷积层。
4 个核 = 4 个过滤的图像。
在上面的示例中，4 个不同的过滤器生成了 4 个不同的过滤图像。当我们堆叠这些图像时，就形成了深度为 4 的完整卷积层！
一个卷积层。
学习
在你一直处理的代码中，都是明确设置过滤器权重的值，但是神经网络实际上会一边用图像数据集进行训练，一边学习最佳过滤器权重。你将在此部分的稍后阶段了解这种神经网络，暂时先记住，高通过滤器和低通过滤器负责定义这种网络的行为，你知道如何从头编写这些过滤器！
在实际操作中，你还将发现很多神经网络学习检测图像的边缘，因为对象边缘包含关于图像形状的重要信息。