嘿，很高兴看到你在探索TensorFlow里的CNN和图像滤波！我来帮你理清这两个核心问题：

1. 未指定核类型时，TensorFlow卷积层的默认行为 #

首先要明确一个关键区别：CNN里的可训练卷积核≠传统图像滤波的固定核。

当你用tf.keras.layers.Conv2D这类卷积层却没指定核的具体值时，TensorFlow不会给你用预设的Blur、Sharpening这类固定滤波核——因为这些卷积核是模型要学习的参数，初始化时会采用默认的权重初始化策略生成随机值：

• Conv2D的默认权重初始化器是glorot_uniform（也叫Xavier均匀初始化），它会根据输入输出通道数计算合适的范围，在这个范围内随机生成核的权重，目的是让初始权重的规模适中，避免训练初期梯度消失或爆炸。
• 简单说，默认情况下，卷积核是随机的，不是固定的滤波模板，后续会通过反向传播不断更新。

2. TensorFlow的“默认图像滤波器”是什么？ #

TensorFlow本身没有自动应用的“默认图像滤波器”，分两种情况看：

• 如果是数据增强/图像预处理场景：比如你看到文章里提到的Blur、Sharpening操作，这些都是需要你手动显式调用的。你可以用tf.image.blur实现高斯模糊，或者自定义核（比如锐化核）后用tf.nn.conv2d手动对图像做卷积——TensorFlow不会自动给你的输入图像套任何滤波操作，除非你代码里写了。
• 如果是混淆了CNN卷积和传统滤波：传统图像滤波是用固定核做卷积操作，而CNN的卷积核是训练出来的，二者逻辑完全不同，不要混为一谈哦。

举个简单例子，如果你想给图像加锐化滤波，得自己定义锐化核并手动执行：

# 定义锐化核
sharpen_kernel = tf.constant([[0, -1, 0],
                               [-1, 5, -1],
                               [0, -1, 0]], dtype=tf.float32)
# 调整核的维度适配tf.nn.conv2d
sharpen_kernel = tf.reshape(sharpen_kernel, [3, 3, 1, 1])
# 对单通道图像应用锐化
sharpened_image = tf.nn.conv2d(input_image, sharpen_kernel, strides=[1,1,1,1], padding='SAME')

内容的提问来源于stack exchange，提问作者Genarito