原理
參考：https://www.cnblogs.com/charlotte77/p/7759802.htmlhtml
卷積層：函數
做用：特徵提取，減少參數優化
池化層：spa
做用：將卷積層提取的特徵中最能反映該特徵的特徵值取出來htm
Flattern layer和全鏈接層：blog
做用：前者將前面獲得的feature_map這種矩陣拍平，拍平後做爲輸入輸入到全鏈接層，全鏈接層輸出後使用softmax獲得多分類的機率get
下面的機器之心的回答講解的更細緻準確：input
參考：https://www.zhihu.com/question/52668301io
一、cnn的結構爲：input——conv——relu——conv——relu——pool——relu——conv——relu——pool——fully connectedclass
而在卷積層中用來提取特徵的矩陣叫卷積核（也叫過濾器）
在cnn中離輸入層越近的卷積層（篩選出來的特徵值）對應的特徵越低級，越遠越高級。例如篩選的特徵從左到右依次爲曲線特徵，圓形特徵。
在全鏈接層，當使用softmax激活函數時，全鏈接層的輸出是一個n維向量，n是多分類問題的類別數量
模型的訓練是經過一個名爲反向傳播的訓練過程來調整過濾器值（或權重）（這裏參照西瓜書反向傳播部分），cnn也有其餘模型訓練時用到的損失函數、評價指標，求解參數（過濾器值或權重）時也用的是梯度降低法。
全鏈接層的解釋：
畫圖解釋：https://zhuanlan.zhihu.com/p/23178423
全鏈接層中的「卷積」操做：https://zhuanlan.zhihu.com/p/33841176
https://www.zhihu.com/question/41037974