卷积神经网络通过局部链接和权值共享有效地减少了神经网络的参数，在做图像识别，分类等方面有广泛的应用。下面介绍一下卷积神经网络中常见的层类型，包括卷积层，池化层，全连接层等等。
工具/原料
卷积神经网络
方法/步骤
1
卷积层.卷积层由参数可学习的卷积核组成。卷积核的宽度和长度可改变，深度必须与输入层的通道数一致。比如说输入32*32*3的图片，一个卷积核的大小为5*5*3，一个卷积核在padding=0情况下划窗生成一个二维的激活图（28*28*1）。
2
如果我们有6个5*5*3的卷积核，就可以生成28*28*6的激活图。输出层的通道数与卷积核个数一致。
3
池化层：池化层用来控制图片的空间尺寸，相当于一个降采样的过程。同时，池化层也有着控制过拟合的作用。有maxpooling，averagepooling等类型
4
激活函数层：常用的激活函数有sigmoid，ReLU，tanh,leakyReLU等等
5
归一化层：最常用的归一化层是Batch Normalization。能使训练速度大大加快。
6
全连接层：全连接层（fully connected layers，FC）指的是神经元完全与输入的变量连接，在整个卷积神经网络中起到“分类器”的作用。