卷积神经网络(Convolutional Neural Network, CNN)是一种用于图像、音频等数据的深度学习模型。CNN中的卷积层(Convolutional Layer)是其中最重要的组成部分之一，它通过应用卷积核(Kernel)来提取图像中的特征。

在卷积操作后，通常会将结果传递给激活函数(Activation Function)，以便对输出进行非线性变换，从而使网络具有更强的表达能力。但是，是否必须在卷积层后面添加激活函数呢？这个问题需要从多个方面来考虑。

首先，激活函数可以引入非线性关系，使得模型更加灵活和复杂。如果没有激活函数，网络将无法学习非线性模式。由于图像中存在大量的非线性关系，因此在卷积操作之后使用激活函数是一个比较好的选择。

其次，激活函数还可以帮助网络处理梯度消失的问题。梯度消失是指在深度网络中，反向传播的梯度变得越来越小，导致参数更新非常缓慢，甚至无法收敛。激活函数可以避免这个问题，因为它们导致梯度的范围限制在一个较小的范围内，从而更容易优化。

此外，激活函数还可以防止过拟合。在训练深度网络时，过拟合是一个普遍存在的问题。激活函数的使用可以增加模型的鲁棒性，并减少过度拟合的风险。

然而，有些情况下，也可以不使用激活函数。例如，在一些特殊的任务中，如生成对抗网络(GANs)或自编码器(Autoencoder)中，某些层可能需要不受限制地输出原始的或被重构的像素值或信号，而不需要经过任何非线性变换。在这种情况下，卷积层可以不跟激活函数。

总之，卷积神经网络卷积层后是否跟激活函数需要根据具体情况来确定。在大多数情况下，使用激活函数可以增加模型的灵活性和稳定性，并提高模型的性能。但在某些情况下，也可以尝试不使用激活函数。