帮我换个方式重写下面这段话：卷积神经网络的主要组成部分为卷积层（Convolution layer），卷积层的运算主体是卷积核，其可以看作是多个卷积滤波器组成的集合，为了保证每一层的输出尺寸相同，需要将每一层卷积滤波器的大小、步长和深度都设置为相同大小。在进行卷积运算时，卷积滤波器分别对输入数据的每个通道都进行卷积运算，最后将所有通道的输出进行叠加，形成多维的输出向量。一般将特征向量的第三个数据称为通道数，如图片的三维通道。 卷积从本质上来说还是一种线性操作，一般为了使卷积层的输出具有非线性的响应，需要在卷积层中搭配激活函数层进行运算，使得网络更好的拟合输入，进而使得网络可以对某些特征敏感，在识别到这些敏感信息时就会“激活”。这些敏感信息可以是一种纹理或者颜色信息，也可以是检测物体的边缘等。

卷积神经网络的核心部分为卷积层，其运算主体是由多个卷积滤波器组成的集合，为了保证每一层输出尺寸一致，卷积滤波器的大小、步长和深度需要保持相同。在卷积运算时，每个通道的输入都会经过不同的卷积滤波器，最后将每个卷积滤波器的输出叠加，形成多维的输出特征向量，其第三维度数据即为通道数，比如图片的三维通道。卷积运算本质上是一种线性操作，因此通常要配合激活函数层，使卷积层的输出具有非线性的响应，这样网络就可以更加准确地拟合输入，并对特定特征信息敏感，在发现这些信息时就会“激活”，可以检测到纹理、颜色和边缘等。