卷积神经网络的例子构建卷积神经网络的模块已经是众所周知的了，我们来看看构建卷积神经网络的例子吧。
假设有32323大小的输入图像。 假设要检查手写字体。 图像的内容是数字7。
我们想识别那个是0~9中的哪一个。
假设第一层中使用的滤波器有6个，f=5、s=1、p=0的滤波器。
使用六个过滤器可以增加偏差，应用非线性函数，输给Relu函数，最后输出结果Conv1。
下一层是池化层，在此选择最大池化。 使用f=2、s=2、p=0。 这意味着输入的图像的宽度和高度将减半。
在计算神经网络层数时，人们只将具有参数的层作为层，池化层不具有参数(但具有一些超级参数)，因此Conv1和Pool1都作为卷积层，Layer1 (当然，在一些参考文献中，作者也将池化层和卷积层分开计数。 ）
所产生的输出是14146图像，使用10个f=5且s=1的滤波器，并且输出是101010的矩阵。 此层使用f=2、s=2的最大池化。
上述第2层使用不同的卷积层。
从第1层到第2层的输入经过f=5、s=1的16个滤波器，池化层仍然采用最大池化，f=2、s=2。
5516的矩阵有400个元素。 此时，将这400个要素排列成一个向量。 我们要做的是用这400个要素构建下一层。 下一层是全连接层FC3，使用120个单元和400个元素紧密连接。 全连接层与最基本的神经网络相似，是标准的神经网络。 因为参数W^[3]的阶数为120，400 ]，偏移b^[3]为120，1，有120个输出。 使用这120个输出，然后输入到具有84个单元的所有连接层。 被称为FC4。 最后，将这84个单元填充到一个softmax单元中。 为了识别输入的图像是0-9还是0-9，softmax的输出有0-9的概率为10个。
选择超级参数：通常，建议您在文献中查看他人采用的是哪个超级参数，而不是自己创建超级参数。 选择在他人框架中运行良好的超级参数，它很可能也适用于你自己的程序。 卷积为什么有效？ 减少运算量。 减少数据之间的连接。 参数共享。