一、卷积神经网络简介
一个卷积神经网络主要由以下5种结构组成：
1.输入层：
输入层是整个神经网络的输入，在处理图像的卷积神经网络中，它一般代表一张**图片的像素矩阵**（三维矩阵）。三维矩阵的长和宽代表图像的**大小**，深度代表图像的**色彩通道**，如：黑白图片的深度为1，RGB色彩模式下，图像的深度为3。
从输入层开始，卷积神经网络通过不同的神经网络结构将上一层的三维矩阵转化为下一层的三维矩阵，直到最后的全连接层。和传统全连接层不同，卷积层中每一个节点的输入只是上一层神经网络的一小块，
2.卷积层：
卷积层是一个卷积神经网络中最为重要的部分，和传统全连接层不同，卷积层中每一个节点的输入只是上一层神经网络的一小块，大小通常为3*3或5*5。卷积层试图将神经网络中的每一小块进行更加深入的分析，得到抽象程度更高的特征。一般来讲，通过卷积层处理过的节点矩阵会变得更深。
参数共享
过滤器中的计算：节点的加权和
过滤器的移动方式：横跨整个深度
3.池化层：
池化层不会改变三维矩阵的深度，但可以缩小矩阵的大小。池化操作可以认为是将一张分辨率较高的图片转换为分辨率较低的图片。通过池化层，可以进一步缩小最后全连接层中节点的个数，达到减小整个神经网络中参数的目的。
池化层可以有效的缩小矩阵尺寸，从而减少最后全连接层中的参数。使用池化层既可以加快计算速度也有防止过拟合问题的作用。
过滤器中的计算：最大值或平均值运算。
过滤器的移动方式：只影响一个深度上的节点，除了在长和宽两个维度移动之外，还需要在深度这个维度移动。
经过几轮卷积层和池化层处理之后，可以认为图像中的信息已经被抽象成了信息含量更高的特征。将卷积层和池化层看做图像自动提取特征的过程。
4.全连接层：
在经过多轮卷积层和池化层处理之后，在卷积神经网络的最后一般会是由1~2个全连接层来给出最后的分类结果。在特征提取完后，仍需使用全连接层来完成分类认为。
5.Softmax层：
Softmax层主要用于分类问题，通过softmax层，可以得到当前样例属于不同种类的概率分布情况。