在上篇中，对卷积神经网络的卷积层以及池化层模块进行了简单的介绍，接下来将对卷积神经网络的整个运作流程进行分析，以便对CNN有个总体上的认知和掌握。

       如下图，卷积神经网络要完成对图片数字的识别任务。网络的输入是数字为7的RGB图片，大小为32×32×3，其中32×32为图片的像素大小，3表示图片的红、绿、蓝三个通道。图中示例的卷积神经网络共有7层（不包括输入层）：第一层卷积层Conv 1，第二层池化层Pool 2，第三层卷积层Conv 3，第四层池化层Pool 4，第五层全连接层FC 5，第六层全连接层FC 6，第7层全连接层也是网络的输出层FC 7。

       需要说明的是，图示网络模型只是卷积神经网络的一种结构，并不是唯一结构，卷积层、池化层、全连接层的数量可根据实际情况设置。

（1）Conv 1

　　一个5×5×3的卷积核和表示图片的32×32×3的数据矩阵卷积得到一个28×28×1的feature map，如下图所示。

       

 　　一个卷积核卷积得到一个feature map，当有6个卷积核时，卷积得到的特征图大小变为28×28×6。

　　参数量：一个卷积核权值参数个数5×5×3=75，偏置参数1个，75+1=76个。一共有6个卷积核，故该层待训练总参数个数：(5×5×3+1)×6=456。

　　在该层中，表示图片所有像素点颜色深浅的32×32×3的三维数据矩阵经过和6个5×5×3的卷积核进行卷积后得到28×28×6的特征图，再经过非线性函数激活即得到Conv 1层的输出。输出特征图的通道数和卷积核的数量一样。

（2）Pool 2

　　汇聚窗口大小为2×2，步幅为2，经过最大池化后，得到14×14×6的特征图。输入特征图大小为28×28×6，通道数是6，池化层不会改变特征图的通道数，即输出特征图的通道数和输入特征图的通道数一样。池化层没有待训练参数。池化层未使用非线性激活函数。

（3）Conv 3

　　卷积核大小5×5×6，数量是16，步幅s=1，输出特征图大小为(14-5+1)×(14-5+1)×16=10×10×16。输入特征图经过卷积操作还得经过非线性函数的激活后才能得到Conv 3层的输出。

　　参数量：(5×5×6+1)×16=2416。

（4）Pool 4

　　汇聚窗口大小为2×2，步幅为2，经过最大池化后，得到5×5×16的特征图。要注意的是，当前层的输出不是一维向量，是无法直接连接下一层的全连接层的。因此，经过池化得到的输出特征图还要经过flatten操作变为400×1的向量后，才能作为全连接层的输入。

（5）FC 5

　    该层有120个神经元。

　　参数量：400×120+120=48120。

（6）FC 6

　　该层有84个神经元。

　　参数量：120×84+84=10164。

（7）FC 7（Output）

　　网络的输出层，有10个神经元，使用SoftMax激活函数，神经元节点输出值对应10个数字的概率大小。

　　参数量：84×10+10=850。

 

       当网络得到10个数字的概率以后，取概率最大的那个数字即为本次神经网络的图片数字识别结果啦~