1 .卷积层的作用是从输入图像提取信息，这些信息被称为图像特征，并且这些特征是图像中的各个像素(诸如图像的纹理特征、颜色特征等)的组合或独立表现。
例如，在下面的照片中，蓝色框住的地方是脸部的特征，这些特征其实是由一个个的像素构成的。
这也是包含r、g和b三个通道的彩色图像。 这里不太描述RGB的颜色空间。 也就是说，红、绿、蓝三个通道重叠。 每个通道实际上也相当于一个通道的图像。 这个ssdpj通道的图像特征组合了这三个通道的特征。
卷积层是如何通过运算提取图像特征的呢？
卷积操作类似于数学卷积，但更简单。 计算机和我们看到的图像不同，计算机看到的图像其实是一个个矩阵，是一系列的数字，图像有几个通道就加上几个矩阵。
在此卷积操作中，通过卷积，各个信道的矩阵从左到右(卷积内核通常是3x3的矩阵)执行从上到下的互相关操作(首先从左到右，然后从上到下，所以卷积操作也保持位置信息) )，从而像小窗口一样幻灯片的步数是超级参数，互相关运算意味着将相应的位置相乘并相加，最后3个信道的值也相应
卷积运算如下图所示。
2 .池化层的作用池化层的作用是筛选从卷积层提取的特征
常见的池化操作包括最大池化和平均池化
如图所示，对特性图进行最大池化操作：
池化层主要具有以下作用：
1 .拾取不受位置干扰的图像信息。
2 .降维特征，提高后续特征感知野。 也就是说，使池化的一个像素与当前图像的一个区域相对应。
3 .池化层不进行反向传播，且池化层减少特征图的变量，因此池化层可以减少计算量。
3 .全连通层的作用全连通层一般置于卷积神经网络结构的末尾，用于对图像进行分类