满世界都是DEEP LEARNING和CNN, 那么CNN到底是什么？
首先，卷积神经网络只是一个工具，有输入有输出，输入是你的数据集，输出是你要的分类结果，了解大概结构并知道如何使用就行（这里不讲怎么用）。
你应该从很多地方知道了，卷积神经网络包括：
- 输入层（INPUT）
- 卷积层(CONV)
- 激活层(RELU)
- 池化层(POOL)
- 全连接层(FC)
下面分别对几个部分做解释：
1.输入层
就是一个矩阵…
2.卷积层
先说卷积吧，卷积就是一个矩阵（原始数据）乘一个卷积核（小矩阵），然后得到另一个矩阵（特征）。
看图复习一下卷积：
图片来源：shushi6969的CSDN博客
知道了卷积是如何操作之后，再来看一下卷积层的图：
图片来源：zxyhhjs2017的CSDN博客
如上图，一个32X32X3的矩阵在和一个5X5X3的卷积核卷积之后（步长为1），变成了一个带有特征的28X28X1的矩阵。当然卷积核还有步长都是可以设置的，可以提取不同的特征。
3.激活层
激活层存在的意义是，线性函数处理不了非线性问题，就找一个工具去处理得到非线性函数，来处理非线性问题。
找个图理解一下：
图片来源：我自己（找不到自己查阅的资料的图源在哪了，就画一个…）
如上图：假如做一个二分类，左边的线性问题就很好办，画一条直线就可以分开了，但是对于右边的图，如果想要做很好的分类，就得画条曲线才行了，激活层就是干这个的。
4.池化层
池化又是干嘛的！！！不是已经卷积出来特征了吗？又通过了激活函数都能处理非线性问题了，怎么还不直接分类！！！
池化就是对得到的特征进行简化压缩，简化就是使得数据少一点，不然算的慢，压缩就是提取主要特征，只要最后分类出我想要的结果，管你什么特征，尽量压缩就好了，不然电脑也带不动呀。最常见的池化操作是最大池化和平均池化，这两个家伙又是什么鬼呢？最大池化操作如图：
图片来源：搜狗百科
如上图，对这16个数据进行最大池化操作，画了四个框，取每个框里边的最大值作为新的数据。（平均池化就是取每个框的平均值啦）
5. 全连接层
经过前面一通操作之后，我们得到了很多特征（只是一个特征的话，就不用深度学习了，就是自己找不出特征才用的…），就可以把这些所有的特征连接起来去进行分类了。全连接层就是干这个的。最后一个图：
图片来源：bobo_jiang的CSDN博客
如上图，我们最后要得到猫的识别结果，经过操作之后得到了头、尾巴、脚等特征之后，全连接层将这些特征组合最后得到了结果，嗯，这是一只猫。
到这里，你可能知道CNN是个什么鬼了，又或是好像更加不懂了，这只是目前我对CNN的一些理解，希望能帮你，如又错误或者不妥，也欢迎批评指正。
这篇文章只是对卷积神经网络的结构和作用做了一个大概的解释，图片有对应链接的也都是CSDN博主对应的关于卷积神经网络的博客，有兴趣的可以点开看看。具体的卷积神经网络如何处理数据，实际操作，建议大家自己下载一个程序，实现一下就明白了。
