原理
参考：https://www.cnblogs.com/charlotte77/p/7759802.htmlhtml
卷积层：函数
做用：特征提取，减少参数优化
池化层：spa
做用：将卷积层提取的特征中最能反映该特征的特征值取出来htm
Flattern layer和全链接层：blog
做用：前者将前面获得的feature_map这种矩阵拍平，拍平后做为输入输入到全链接层，全链接层输出后使用softmax获得多分类的几率get
下面的机器之心的回答讲解的更细致准确：input
参考：https://www.zhihu.com/question/52668301io
一、cnn的结构为：input——conv——relu——conv——relu——pool——relu——conv——relu——pool——fully connectedclass
而在卷积层中用来提取特征的矩阵叫卷积核（也叫过滤器）
在cnn中离输入层越近的卷积层（筛选出来的特征值）对应的特征越低级，越远越高级。例如筛选的特征从左到右依次为曲线特征，圆形特征。
在全链接层，当使用softmax激活函数时，全链接层的输出是一个n维向量，n是多分类问题的类别数量
模型的训练是经过一个名为反向传播的训练过程来调整过滤器值（或权重）（这里参照西瓜书反向传播部分），cnn也有其余模型训练时用到的损失函数、评价指标，求解参数（过滤器值或权重）时也用的是梯度降低法。
全链接层的解释：
画图解释：https://zhuanlan.zhihu.com/p/23178423
全链接层中的“卷积”操做：https://zhuanlan.zhihu.com/p/33841176
https://www.zhihu.com/question/41037974