一、基本结构

        CNN的大概模式可以总结为：卷积层+池化层+全连接层+激活函数

        而一些比较大型的网络如VGG一般将CNN作为构成单元进行堆叠，而内部卷积核和池化也可以堆叠多个。各个部分的功能如下：

        卷积：特征提取

        池化：降维和防止过拟合

        Flatten：将二维的特征数据拉平（展成一维）

        全连接层：汇总得到的信息

        激活函数：softmax(多分类)；sigmoid(二分类)

二、具体组成

        ①卷积操作

                用卷积核滑过输入，将卷积核对应位置的值相乘后求和，卷积核所在的区域为感受野

                        感受野：卷积核在输入上的投影，因为其每次只能看到一部分所以等同于部分连接

                                Ps.部分连接是相对于全连接而言的

                在外部填充0被称为padding，用于防止边缘特征被忽略。

                卷积的意义在于将较大的原始图像转换为较小的输出，每个卷积核都有一个对应的feature map,提现了对原图的特征提取。

                多维卷积：如彩色图像的三维卷积等同于其三个颜色通道分别进行二维卷积。

                更多细节请参见：卷积运算与卷积核DLChttps://blog.csdn.net/weixin_37878740/article/details/127916612

        ②池化

                将一定区域内的值经过一定转换后输出一个值（来代替整个区域的值），根据计算方式不同分为：平均池化和最大池化；池化也称“下采样”。

                池化的作用有：①减少参数量

                                         ②防止过拟合（保留数据的原始特征）

                                         ③为网络带来位移不变性（即图像一定范围的位移不影响计算结果，移除池化即可消除此性质）

        ③平坦(Flatten)

                将二维的特征图展成一维的常向量（用以送给全连接层）

         ④全连接层

                用于建立特征图与输出之间的映射。

         ⑤激活函数

                参见：神经网络（十）激活函数DLChttps://blog.csdn.net/weixin_37878740/article/details/126658339