神經網路三大層

• 卷積層(Convolutional Layer)
  可以產生一組平行的特徵圖，它通過在輸入圖像上滑動不同的卷積核並執行一定的運算所組成。

• 池化層(Pooling Layer)
  池化是一種非線性形式的降採樣。最為常見的方式是「最大池化(Max pooling)」。它的原理是將輸入的圖像化分為若干個矩形區域，對每個子區域輸出最大值。(但除了最大池化法以外，其實還有很多池化函數)
  
  (圖片擷取自網路)

• 完全連接層(Fully Connected Layer)
  經過多個卷積層和最大池化層後，神經網路中的進階推理就需要透過完全連接層來完成。完全連接層中的神經元啟用可以做為仿射變換來計算，就是先乘以一個矩陣然後加上一個偏差(bias)、偏移量(向量加上一個固定或是學習而來的偏差量)。

卷積神經網路運作實例
影像輸入(InputImage) -> 卷積(Convolution) -> 最大池化(Max Pooling) -> 全連接神經網路(Fully – Connected Neural Network)計算

(圖片擷取自網路)