以下关于卷积核的说法正确的是()A. 卷积核越大,提取的特征越具体B. 卷积核的数量越多,模型的性能越好C. 卷积核的值是随机初始化的D. 不同的卷积核可以提取不同的图像特征。

考查要点：本题主要考查对卷积神经网络（CNN）中卷积核基本概念的理解，包括卷积核的初始化方式、数量与性能的关系、大小与特征提取的关系，以及不同卷积核的作用。

解题核心思路：

1. 卷积核的初始化：卷积核的参数在训练前是随机初始化的，通过反向传播学习最优权重。
2. 卷积核数量与性能：数量并非越多越好，需平衡模型复杂度和过拟合风险。
3. 卷积核大小与特征：大卷积核提取更全局的特征，小卷积核提取局部细节，但“具体”或“抽象”需结合网络结构整体分析。
4. 不同卷积核的作用：每个卷积核可学习不同特征（如边缘、纹理），体现特征多样性。

破题关键点：

• 明确卷积核的随机初始化特性（选项C）。
• 理解不同卷积核可提取多样化特征（选项D）。
• 排除“越大越具体”（A）和“数量越多越好”（B）的干扰项。

选项分析

选项A

“卷积核越大，提取的特征越具体”

• 错误。卷积核大小决定感受野范围：大核覆盖更多像素，提取全局特征（如物体轮廓）；小核关注局部（如边缘、纹理）。但“具体”或“抽象”取决于网络深度和多层组合，不能直接通过大小判断。例如，小核在深层可能提取更具体的语义特征。

选项B

“卷积核的数量越多，模型的性能越好”

• 错误。数量过多会导致参数激增，增加过拟合风险，同时计算资源消耗过大。性能优化需平衡卷积核数量、网络深度和正则化方法。

选项C

“卷积核的值是随机初始化的”

• 正确。卷积核参数在训练前通过随机分布初始化（如He初始化），随后通过反向传播调整权重，使其适应数据特征。

选项D

“不同的卷积核可以提取不同的图像特征”

• 正确。每个卷积核通过不同权重组合学习特定特征。例如，一个核检测水平边缘，另一个检测颜色块，体现特征提取的多样性。