1.cnn举例
输入图像矩阵为第0层，通过3层过滤器，每层过滤器设置不同的参数，包括过滤器维数、个数、通道数（和上一层输出图像通道数相同）卷积步长s、卷积padding数，利用图中公式计算每层输出图像维数。最终39*39*3输入矩阵通过3卷积层得到7*7*40输出矩阵。
卷积输出7*7*40=1960个特征，对该立体进行处理：平滑处理或展开成1960个单元，平滑后输出一个向量，将其喂入logistic回归单元或者softmax单元，其中logistic回归用于二分类任务，soft max 用于多分类任务，
是最后神经网络预测的输出，注意这里需要处理全部1960个数字，将7*7*40展开成一个很长的向量进行处理。（在这些卷积层中有很多参数，我们在以后章节中讲述。）
我们注意到，随着网络加深，图像H,W维度数减少（39-37-17-7），通道数逐渐增加（3-10-20-40）。
2.卷积神经网络中典型的三层
典型cnn包括卷积层、池化层、全连接层，后两层比卷积层更好设计，在后面章节讲述。