Para entender a função de uma camada de convolução em uma rede convolucional (CNN), é importante saber que essa camada é projetada para processar dados que têm uma grade, como imagens. A principal função da camada de convolução é identificar e extrair características relevantes dos dados de entrada, como bordas, texturas e formas. Vamos analisar as alternativas: a) Realizar a normalização dos dados de entrada - Isso não é a função principal de uma camada de convolução. b) Extrair características dos dados, como bordas e formas - Esta é a função correta da camada de convolução, pois ela aplica filtros para detectar padrões. c) Estabelecer conexões entre diferentes neurônios de camadas distantes - Isso se refere mais à arquitetura da rede do que à função específica da camada de convolução. d) Introduzir não-linearidade ao modelo para melhorar o aprendizado - Isso é feito por funções de ativação, não pela camada de convolução em si. e) Aumentar a capacidade do modelo de generalizar dados - Isso é um resultado do treinamento da rede, mas não a função específica da camada de convolução. Portanto, a alternativa correta é: b) Extrair características dos dados, como bordas e formas.