之前说过了DNN，大家也对神经网络有了一个大概的了解，知道了什么叫做前向传播，什么叫做反向传播。我们可以类比的进行卷积（CNN）的学习。
首先，回想一下DNN全连接神经网络的前向传播。
可以看到，在DNN中，每一层的参数（输入层）或者计算结果（中间层）都会直接传给下一层的所有神经元，如此反复，直到最后一层的输出层得到结果。
而CNN呢？
他也是和DNN一样，每一层的参数（输入层）或者计算结果（中间层）都会直接传给下一层的所有神经元，如此反复，直到最后一层的输出层得到结果。但是，他的输入层和中间层发生了变化，CNN的传递方式更加“多样”。
CNN输入层：最基本的是一个矩阵，可以有多个的情况，这里先不介绍，先说一个的矩阵的情形。比如，我有一张图片，我将其转化为灰度的图像，并将灰度值作为参数形成一个灰度值的矩阵，大小为m*m。
CNN卷积层：在这里，我会有一个卷积核，一个大小为n*n的矩阵。然后与前一层传来的矩阵参数做卷积操作。
CNN池化层：在这里，我会规定一个范围大小和一个规则。将前一层传来的矩阵参数按照我的大小范围和规则做缩小参数规模ca操作。
具体实现如下（其它博客截图）：
看这里，我对一个5*5的矩阵进行了卷积操作，卷积核为3*3的矩阵，结果是一个3*3的矩阵。
池化操作如下，在这里我的池化规模是2，池化的规则是取最大数原则（也可以计算平均值）。