如果我们设计了6个卷积核，可以理解：我们认为这个图像上有6种底层纹理模式，也就是我们用6中基础模式就能描绘出一副图像。
卷积层的作用是提取一个局部区域的特征。卷积神经网络（ConvolutionalNeuralNetwork，CNN或ConvNet）是一种具有局部连接、权重共享等特性的深层前馈神经网络。卷积神经网络是受生物学上感受野的机制而提出。
卷积神经网络中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。
卷积神经网络中卷积层间的连接被称为稀疏连接（sparseconnection），即相比于前馈神经网络中的全连接，卷积层中的神经元仅与其相邻层的部分，而非全部神经元相连。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。
卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一。
卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一种前馈神经网络。卷积神经网络是受生物学上感受野(ReceptiveField)的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。
1、换句话说，最常见的卷积神经网络结构如下：INPUT-[[CONV-RELU]*N-POOL？]*M-[FC-RELU]*K-FC其中*指的是重复次数，POOL？指的是一个可选的汇聚层。
2、目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络，使用反向传播算法进行训练。卷积神经网络有三个结构上的特性：局部连接，权重共享以及汇聚。这些特性使卷积神经网络具有一定程度上的平移、缩放和旋转不变性。
3、卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一种前馈神经网络。卷积神经网络是受生物学上感受野(ReceptiveField)的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。
结构特点：神经网络(neuralnetworks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(poolinglayer，又叫下采样层)。
卷积神经网络(ConvolutionalNeuralNetwork，CNN或ConvNet)是一种具有局部连接、权重共享等特性的深层前馈神经网络。卷积神经网络是受生物学上感受野的机制而提出。
卷积神经网络(ConvolutionalNeuralNetworks，CNN)是一种前馈神经网络。卷积神经网络是受生物学上感受野(ReceptiveField)的机制而提出的。感受野主要是指听觉系统、本体感觉系统和视觉系统中神经元的一些性质。
-卷积步长设置(StridedCOnvolution)卷积步长也就是我们进行卷积操作时，过滤器每次移动的步长，上面我们介绍的卷积操作步长默认都是1，也就是说每次移动过滤器时我们是向右移动一格，或者向下移动一格。
卷积神经网络的基本结构由以下几个部分组成：输入层，卷积层，池化层，激活函数层和全连接层。
我们在卷积神经网络中使用奇数高宽的核，比如3×3，5×5的卷积核，对于高度(或宽度)为大小为2k+1的核，令步幅为1，在高(或宽)两侧选择大小为k的填充，便可保持输入与输出尺寸相同。
卷积神经网络主要结构有：卷积层、池化层、和全连接层组词。卷积层卷积核是一系列的滤波器，用来提取某一种特征我们用它来处理一个图片，当图像特征与过滤器表示的特征相似时，卷积操作可以得到一个比较大的值。
cnn的基本结构不包括：反向池化层。CNN基本部件介绍：局部感受野。在图像中局部像素之间的联系较为紧密，而距离较远的像素联系相对较弱。
卷积神经网络的基本结构由以下几个部分组成：输入层，卷积层，池化层，激活函数层和全连接层。
1、卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
2、卷积神经网络的基本结构由以下几个部分组成：输入层，卷积层，池化层，激活函数层和全连接层。
3、目前的卷积神经网络一般是由卷积层、汇聚层和全连接层交叉堆叠而成的前馈神经网络，使用反向传播算法进行训练。卷积神经网络有三个结构上的特性：局部连接，权重共享以及汇聚。