结论：

卷积层：

1.增加网络的深度能够提高准确率；

2.增加特征面数也能提高准确率；

3.增加一个卷积层比增加一个全连接层更能获得一个更高的准确率；

4.采用较小的卷积核代替较大的卷积核，同时增加网络深度来增加复杂度，试验表明网络深度比卷积核大小更为重要；

5.试验表明，更小的卷积核且更深的CNN结构能够获得更优的性能；

6.在增加网络深度同时，适当减少特征面数，同时卷积核大大小保持不变；

7.试验表明，深度越深，网络性能越好，然而随着网络深度的增加，网络的性能达到饱和；

8.试验表明，特征面数和卷积核的大小优先级差不多，二者发挥的性能均没有网络深度大；

9.金字塔架构的CNN往往具有封号的性能；

池化层：

1.最大池化特别适用于分离非常西稀疏的特征；

2.使用局部区域内所有的采样点去执行池化操作也许不是最优的（即均值池化并不一定是最优的）；

3.当分类层采用线性分类器，最大池化往往优于均值池化；

4.随机池化具有最大池化的优点，同时由于它的随机性能够有效的避免过拟合，而且可以保证特征面中不是最大的激励神经元也能被利用到；

5.重叠池化往往比无重叠池化泛化能力更强，更不容易产生过拟合；

6.池化层可以较少卷积层之间的连接权值的数量，即通过池化操作减少网络的复杂度；

全连接层：

1：全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息；

2：为了提升CNN的性能，激励函数一般采用RELU函数，最后一层往往采用sotfmax函数进行分类；

3：目前，CNN+Dropout技术，往往会取得更好的分类性能；