卷积神经网络主要由输入层、卷积层、ReLU层、池化层和全连接层组成。
卷积层涉及参数：（1）滑动窗口步长；（2）卷积核尺寸；（3）边缘填充；（4）卷积核个数。
（1）滑动窗口步长stride：步长比较小，则更加细腻地提取特征，得到的特征图大。步长比较大，则提取特征更粗糙，得到特征图小。对于图像任务一般步长为1即可。
（2）卷积核尺寸filter size：卷积核越小，提取越细腻，卷积核越大，提取越粗糙。一般最小卷积核尺寸为3*3.
（3）边缘填充padding：为弥补图像角落或边界像素被filter提取次数少地问题，在原本图像周围以0为值进行边缘填充。
2.卷积结果计算公式
3.卷积参数共享：对于图像每一个位置选用相同地卷积核
ReLU层：ReLU是神经网络当中常用的激活函数，在卷积神经网络中通常接在卷积层后。
池化层的功能在于压缩特征。
最大池化（Max Pooling）为最普遍的池化方式即在每个区域选取最大特征值，此外还有平均池化等方法。
全连接层一般放于整个网络最后，将之前得到的特征图拉伸成一个一维特征向量，实现端到端的学习。全连接层的功能在于组合特征和分类。
