原文网址 https://blog.csdn.net/v_JULY_v/article/details/51812459
神经元：
卷积神经网络之层级结构：
CONV：卷积计算层，线性乘积求和，
RELU:激活层，也就是激活函数
POOL:池化层，简言之，就是取区域平均或最大。
FC：全连接层
CNN之卷积计算层：当我们给定一个X的图案，计算机为了识别出来这个图案就是X，它会存储一张标准的X图案，然后把需要识别的位置图案跟标准的X图案进行对比，如果两者一致，则判定位置图案就是一个X图案，而当图案有一些平移或者稍微变形的时候，为了能够识别出来，这时候CNN是把位置图案和标准X图案一个局部一个局部的进行对比，而未知图案和标准X图案的局部一个一个比对时的过程，就是卷积操作。
对图像(不同的数据窗口数据)和滤波矩阵(一组固定的权重：因为每个神经元的多个权重固定，所以又可以看做一个恒定的滤波器filter)做内积(逐个元素相乘再求和)的操作就是所谓的卷积操作，也是卷积神经网络的名字由来，一个神经元所对应的的一组固定权重就可以理解成一个滤波器，不同的滤波器会得到不同的输出数据。比如颜色深浅轮廓，相当于如果想提取图像的不同特征，则用不同的滤波器filter。
在CNN中，滤波器filter(带着一组固定权重的神经元)对局部输入数据进行卷积计算，每计算完一个数据窗口内的局部数据后，数据窗口不断平滑移动，直到计算完所有数据，在这个过程中，有这么几个参数。
a:深度depth，神经元个数，决定输出的depth厚度，同时代表滤波器个数
b.步长stride，决定滑动多少步可以到边缘
c.填充值zerp-padding,在外围边缘补充若干圈0，方便从初始位置以步长为单位可以刚好滑动到末尾位置。通俗讲就是为了总长能被步长整除。
RELU激励层：就是激活函数，f(x) = max(0, x),relu激活函数就是当x小于零的时候值为零，当输入大于零时，输出等于输入。
池化层：池化，简言之，就是取区域平均或最大。
全连接层：深度神经网络的最后一层往往是 全连接层+softmax(分类网络)，全连接层将权重矩阵与输入向量相乘再加上偏执，得到分类的得分，而softmax将K个类别的得分归一化为(0,1)的概率，