卷積神經網絡（Convolutional Neural Network, CNN）用于圖像識别，在CNN 中有卷積層（Convolution層）、池化層（Pooling層）和全連接配接層（fully-connected）, 随着網絡深度的加深，高度和寬度會逐漸減小，信道的數量逐漸增加。
常見的卷積神經網絡有兩種：
（1）Input -> 卷積層 -> 池化層 -> 卷積層 -> 池化層 -> …… -> 全連接配接層（幾個）-> Softmax -> Output
（2）Input -> 卷積層（一個或多個）-> 池化層 -> 卷積層（一個或多個）-> 池化層 -> …… -> 全連接配接層（幾個）-> Softmax -> Output
1.卷積層
卷積層可以使圖像保持形狀不變，能正确了解圖像等具有形狀的資料，避免了全連接配接層無法利用與形狀相關的資訊。過濾器大小通常是奇數。
卷積運算：
卷積運算加偏置，是把偏置分别加到各個像元上
三維資料的卷積運算，有幾個通道就需要幾個濾波器，然後對應通道進行卷積運算，再把各通道計算值相加。
把資料看作是方塊，進行了解；濾波器與輸入資料具有一樣的通道，最後輸出資料是一維的。
選擇FN個濾波器,會生成FN維的輸出資料
2.填充
填充是在輸入資料周圍填入固定的資料（比如0），主要是為了調整輸出資料的大小。
一般有兩種方式：
（1）不填充
（2）填充使圖像卷積後大小不變
3.步幅
步幅就是使用濾波器時的位置間隔。
輸出資料大小計算式：
H: 輸入資料的高
W: 輸入資料的寬
FH: 濾波器的高
FW: 濾波器的寬
P: 填充
S: 步幅
OH: 輸出資料的高
OW: 輸出資料的寬
4.池化層
采用池化層是為了縮小圖像，“輸出資料大小計算式”也适用于池化層的計算。
有兩種池化方式：
（1）Max 池化
（2）Average 池化
特點：
（1）池化過程中沒有要學習的參數
（2）池化前後通道數不發生變化
（3）對微小的位置變化具有魯棒性（健壯）