下圖是一個經典的CNN結構，稱為LeNet-5網路

可以看出，CNN中主要有兩種型別的網路層，分別是卷積層和池化(Pooling)/取樣層（Subsampling）。卷積層的作用是提取影象的各種特徵；池化層的作用是對原始特徵訊號進行抽象，從而大幅度減少訓練引數，另外還可以減輕模型過擬合的程度。

卷積層

卷積層是卷積核在上一級輸入層上通過逐一滑動視窗計算而得，卷積核中的每一個引數都相當於傳統神經網路中的權值引數，與對應的區域性畫素相連線，將卷積核的各個引數與對應的區域性畫素值相乘之和，（通常還要再加上一個偏置引數），得到卷積層上的結果。如下圖所示。

下面的動圖能夠更好地解釋卷積過程：

池化/取樣層

通過卷積層獲得了影象的特徵之後，理論上我們可以直接使用這些特徵訓練分類器（如softmax），但是這樣做將面臨巨大的計算量的挑戰，而且容易產生過擬合的現象。為了進一步降低網路訓練引數及模型的過擬合程度，我們對卷積層進行池化/取樣(Pooling)處理。池化/取樣的方式通常有以下兩種：

• Max-Pooling: 選擇Pooling視窗中的最大值作為取樣值；
• Mean-Pooling: 將Pooling視窗中的所有值相加取平均，以平均值作為取樣值； 

如下圖所示。

LeNet-5網路詳解

以上較詳細地介紹了CNN的網路結構和基本原理，下面介紹一個經典的CNN模型：LeNet-5網路

其中原始輸入圖為32*32，卷積核為5*5，則可得C1層的特徵圖大小為(32-5+1)*(32-5+1）=28*28

轉載來源