为何CNN的卷积核被视为可训练参数？（Keras计算示例）

首先要纠正一个误解：CNN里的卷积核不是固定的预设矩阵，而是模型在训练过程中需要不断调整的参数。

你觉得卷积是固定的矩阵乘法，这个操作逻辑没错，但这里的“矩阵”（卷积核）本身是变量——模型要通过数据学习出最适合当前任务的卷积核权重，而不是用手动设定的固定算子（比如边缘检测的Sobel算子）。举个实际的例子：如果任务是猫脸识别，模型会自动学到能捕捉猫耳朵、眼睛轮廓的卷积核；如果是手写数字识别，它会学到能识别笔画边缘的卷积核，这些权重都是通过反向传播不断更新优化的，不是一开始就固定死的。

再看你给出的具体案例：
输入图像是10x10x1（最后一个1是输入通道数，对应灰度图），用1个3x3的卷积核，Keras算出的参数是10，计算逻辑很明确：

• 卷积核的权重参数：3×3×1=9（卷积核的每个元素都是一个可训练权重，乘以输入通道数，因为每个输入通道对应一组独立的权重）
• 偏置参数：1（每个卷积核会对应一个可训练的偏置项）
• 总参数：9+1=10

说白了，卷积核的每一个权重值都是模型需要学习的“调节开关”，通过调整这些值，模型才能提取到对当前任务有用的特征，这就是卷积核被算作可训练参数的核心原因。

内容的提问来源于stack exchange，提问作者smb idm