卷积神经网络层次结构包括：
数据输入层/ Input layer
卷积计算层/ CONV layer
激励层 / ReLU layer
池化层 / Pooling layer
全连接层 / FC layer
输入层（Input layer）
输入数据，通常会作一些数据处理，例如：
去均值：把输入数据各个维度都中心化到0
归一化：幅度归一化到同一范围
PCA/白化:用PCA降维，白化是在对数据每个特征轴上的数据进行归一化。
卷积计算层（CONV layer）
如上图图所示，左边为数据集，右边为一个神经网络
窗口：卷积计算层会在数据集上选定一个窗口，从窗口内选择数据
深度（depth）：如下图所示，左边的数据集深度为3，右边的神经网络深度为5（有五个神经元）
步长（stride）：窗口每次移动的距离
填充值（zero-padding）：因为窗口移动到数据边缘时，可能不能正好遍历完所有数据，所以有时要在数据集周边填充上若干圈全为0的数据
如上所示，左边为输入数据，中间为两个神经元，右边为输出。可以看到左边的输入数据中，窗口大小为3*3，每次移动的步长为2，周围有一层的填充数据，深度为3。中间为两个Filter，也就是线性方程的系数，注意Filter下面还有两个Bias偏移量。将窗口中的数据分别和Filter中的数据做卷积运算（即对应位置的数据相乘），再加上Bias偏移量即可得到一个输出矩阵中的一个值。比如在第一幅图的第三个窗口中的数据与Filter W0所做的运算为：
第一个窗口：0*0+0*0+0*（-1）+0*1+1*0+2*0+0*1+1*0+0*1=0
第二个窗口：0*0+0*1+0*（-1）+0*(-1)+0*1+2*(-1)+0*0+2*(-1)+2*0=-4
第三个窗口：0*0+0*1+0*（-1）+0*1+0*(-1)+1*0+0*0+2*0+0*（-1）=0
将这三个窗口中的值加起来再加上偏移量即得到了输出值：0+（-4）+0+1（偏移量）=-3,即第一个输出矩阵中的第一个值。
通过卷积层的计算后，可以使数据量大大减少，并且能够一定程度上保存数据集的信息
激励层
激励层的主要作用是将卷积层的结果做非线性映射。常见的激励层函数有sigmoid、tanh、Relu、Leaky Relu、ELU、Maxout
sigmoid函数如下所示：
sigmoid函数是早期用的比较多的激励函数，但现在已经不常用了。主要是当输入特别大或者特别小时，sigmoid函数的偏导数趋于0，这样在使用反向传播算法时将会出现问题,并且sigmoid函数不是关于原点对称的，这样在进行反向传播时w的梯度要么全为正，要么全负（w的梯度即为x乘以上一层的梯度，x恒为正，所以梯度的正负一直不变），收敛速度会非常慢。tanh函数与sigmoid函数图像类似，但是它比sigmoid函数好的一点是tanh函数是关于原点对称的，这样可以减少数据的倾斜。
现在比较常用的激励函数为ReLu（The Rectified Linear Unit/修正线性单元），函数表达式为：f(x)=max(0,x),其函数图像如下所示：
ReLu函数的有点是收敛非常快，因为在原点右侧它的偏导数为1，求导简单，这样在做反向传播时速度比较快。缺点时较为脆弱，原点左侧的函数具有的sigmoid相似的问题，即导数等于0。
Leaky ReLu在是ReLu的“增强版”，其函数表达式为：f(x)=max(ax,x),a通常为一个比较小的数，比如0.01，线面是a=0.01时的图像：
可以看到，相比ReLu，Leaky ReLu在原点左侧的表达式中对x乘以了一个比较小的系数，这样保证了在做反向传播时不会挂掉，并且其计算也很快。
ELU指数线性单元
ELU不会挂掉，计算速度比较快，并且输出的均值趋于0，但是由于指数的存在，计算量略大。
Maxout：
两条直线拼接而成，计算是线性的，比较快，不会饱和不会挂，但是参数比较多。
激励函数使用总结：
1.尽量不要用sigmoid函数
2.首选ReLu，速度快，但是需要小心，有可能会挂掉
3.ReLu不行的话再选用Leaky ReLu或者Maxout
池化层（Pooling layer）
在连续的卷基层和激励层中间，用于压缩数据和参数的量，用于减少过拟合。
池化层的选择策略有max pooling和average Pooling，上图展示的就是max Pooling的过程。在原始的数据层上划分一个个小块，在每个小块中选择最大的那个数代表这个小块中所有的数（如果是average Pooling就选择平均数），放到下一层。这样就打打减少了数据量。这种做法的理论依据好像还不太清楚，但是可以想象在一幅图中，每个像素点和其周边的点大致是一样的，所以用一个点代替其周边点也有一定道理。
全连接层（FC layer）
全连接层即两层之间的所有神经元都有权重连接，通常会在卷积神经网络的尾部。