一、CNN的基本结构

首先我们来看CNN的解百纳结构，一个常见的图像识别CNN模型如下图：

从图中可以看出最左边的图像就是模型的输入层，在计算机中就是若干个矩阵，这点与DNN类似。

接着是卷积层（Convolution Layer），这个层是CNN特有的，卷积层的激活函数是ReLU，该函数其实很简单，公式为：$ReLU(x)=max(0,x)$。在卷积层后面是池化层（Pooling Layer），这也是CNN特有的网络结构，池化层是没有激活函数的。

卷积层+池化层的组合可以在隐藏层中出现多次，在上图的结构中出现了两次。实际上他们出现的次数可以根据模型的需要调整。当然我们也可以灵活搭配各种结构，如卷积层+卷积层、卷积层+卷积层+池化层，这些在构建模型时没有限制。但是最常见的CNN结构是若干卷积层+池化层的组合。

在若干卷积层+池化层后面是全连接层（Fully Connected Layer，简称FC），全连接层实际上就是DNN的结构，输出层采用的是Softmax层做图像的分类。

从CNN的结构可以看出，CNN相对于DNN，比较特殊的就是卷积层和池化层，只要把卷积层和池化层的原理搞清楚，那么搞清楚CNN就很容易了。

二、CNN的卷积层