CNN经典计算过程示意图（来源：网络）：

CNN关键步骤：

1.准备输入图像（image）

2.确定滤波器模板（filter）

主要参数有：模板的宽度、高度、维度和偏置四个指标，维度和原始输入图像的通道数（一般为3）一致。
这里体现CNN算法的优势所在：权值共享，每一个原图像的像素点共用一组权值，大大简化了神经网络权重个数。

3.确定卷积步长（Stride），为原始输入图像填充边界（Pad）

**目的：保证卷积后得到的特征图的大小和原图像大小一致。**两个参数共同确定了特征图的大小。

4.卷积求和得到特征图（Feature Map）

每一个滤波器的各个维度分别与原图像的对应通道做卷积，对应位置上的结果相加得到特征图，特征图的深度（维度）和滤波器组数相同。

5.池化（Pooling）

目的：降维
通常有Max Pooling 和Ave Pooling两种办法，都能够实现特征图特征的综合以达到降维的效果。
有可能影响网络的准确度，但可以通过增大特征图深度来实现。
CNN的主要目的是减小权重参数的个数，池化能够很好地降低整个神经网络前期的图像大小，因此通过适当进行池化后，到后期特征图的大小已经大大减小，就不再采用CNN而采用全连接神经网络进行进一步计算。

6.**（RELU）

遵照一般神经网络的**函数进行**

CNN一般流程：

卷积→**→卷积→**→池化→卷积→**→卷积→**→池化（可选）→卷积→**→池化（可选）→输出函数（FC）