卷积神经网络由哪几部分组成？卷积神经网络在视觉上具有较大的应用，卷积神经网络分为卷积层、池化层和全连接层。
什么是卷积核，卷积核的作用是什么？其中卷积核是一种数字矩阵，不同的卷积核用来提取特征，不同的卷积核可以提取不同的特征，位于不同深度的卷积核提取的也不同。正是因为卷积核再图像内滑动提取特征的性质，一整张图像使用一个卷积核，使得卷积神经网络具有参数共享的特性，也就减少了计算量。
什么是卷积层？不同卷积层的作用是什么？标准神经网络的每层执行的是激活函数的输入输出操作，卷积神经网络的每层卷积层是执行卷积操作。一般来说卷积层的第一层可以提取不同方向的纹理，第二层可以提取颜色等信息，更深层次的神经网络可以提取不同性质的组合状态。
怎样解决卷积的过程中会使图像变小问题？可以通过padding的方法先扩充图像再卷积，这样使得输出图像大小保持不变。padding方法还可以解决卷积过程中边缘像素卷积次数少的问题。
什么是池化层？池化层的作用是什么？池化层在卷积层后面，可以使卷积后的特征得到强化。池化层分为两种，max pooling和average pooling，池化层的作用是将明显的特征进一步提取。
什么是全连接层？全连接层是卷积神经网络最后的部分，通常是全连接神经网络的结构，起到分类的作用。全连接层通常连接softmax分类器用来分类。
经典的卷积神经网络模型有哪些？inception模型是将不同的卷积核形成的输出放在一起，让神经网络自主判断哪种卷积核起作用。GoogloNet就是使用inception模型建立的卷积神经网络。经典的LeNet-5网络、AlexNet和VGG-16在整体结构上都差不多，都由卷积层、池化层和全连接层组成，差别在于深度不同。残差网络中有跳跃式连接，因此残差网络可以将神经网络训练的很深，在保证良好性能的同时并且可以有效解决梯度爆炸和梯度消失的等问题。
