**卷积神经网络（CNN）是深度神经网络模型中的“明星”网络架构。一个标准的卷积神经网络架构主要由卷积层、池化层和全连接层等核心层次构成。
1.卷积神经网络基础
1）卷积层
卷积层（Convolution Layer）的主要作用是对输入的数据进行特征提取，而完成该功能的是卷积层中的卷积核（Filter）。我们可以将卷积核看作一个指定窗口大小的扫描器，扫描器通过一次又一次的扫描输入的数据，来提取数据中的特征。如果我们输入的是图像数据，那么在通过卷积核的处理后，就可以识别出图像中的重要特征了。
卷积通用公式，用于计算输入图像经过一轮卷积操作后的输出图像的宽度和高度的参数。
理解卷积核的定义以及卷积层的工作过程。
2）池化层
卷积神经网络中的池化层可以被看作卷积神经网络中的一种提取输入数据的核心特征的方式，不仅实现了对原始数据的压缩，还大量减少了参与模型计算的参数，从某种意义上提升了计算效率。其中，最常用的池化层方法是平均池化层和最大池化层，池化层处理的输入数据在一般情况下是经过卷积操作之后生成的特征图。
池化层也需要定义一个类似卷积层中卷积核的滑动窗口，但是这个滑动窗口仅用来提取特征图中的重要特征，本身并没有参数。
池化通用公式：用于计算输入的特征图经过一轮池化操作后输出的特征图的宽度和高度。
3)全连接层
全连接层的主要作用是将输入图像在经过卷积和池化操作后提取的特征进行压缩，并且根据压缩的特征完成模型的分类功能。
全连接层的计算比卷积层和池化层更简单：就是我们通过卷积层和池化层提取的输入图像的核心特征，与全连接层中定义的权重参数相乘，最后被压缩成仅有10个输出参数，这10个输出参数其实已经是一个分类的结果，**再经过激活函数的进一步处理，就能让我们的分类预测结果更明显。
2.LeNet模型
3.AlexNet模型
4.VGGNet模型
5.GoogleNet
GoogleNet模型的网络深度已经达到了22层，而且在网络架构中引入Inception单元。这两个重要的改变证明，通过使用Inception单元构造的深层次卷积神经网络模型，能进一步提升模型整体的性能。
6.ResNet
