前溃神经网络，采用反向传播算法优化网络结构。
一般情况下，CNN的结构形式是：输入层–> Conv层 --> Pooling层 --> (重复Conv、Pooling层) … --> FC(Full-connected)层 --> 输出结果。通常输入层大小一般为2的整数倍，如32,64,96,224,384等。通常卷积层使用较小的filter，如33，最大也就55。Pooling层用于对卷积结果进行降低维度，例如选择22的区域对卷积层进行降低维度，则选择22区域的最大值作为输出，这样卷积层的维度就降为之前一半。
卷积：对图像和滤波矩阵（也就是神经元权重，固定）做内积，得到一个二维数据。
不同的滤波器，会提取到图像不同的特征。
每次滤波器都是针对某一局部的数据窗口进行卷积，这就是所谓的CNN中的局部感知机制。
数据窗口滑动，但中间滤波器Filter w0的权重（即每个神经元连接数据窗口的的权重）是固定不变的，这个权重不变即所谓的CNN中的参数共享机制。