来看上图的简单CNN：
从39x39x3的原始图像 不填充且步长为1的情况下经过3x3的10个filter卷积后 得到了
37x37x10的数据 不填充且步长为2的情况下经过5x5的20个filter卷积后 得到了
17x17x20的数据 不填充且步长为2的情况下经过5x5的40个filter卷积后 得到了
7x7x40的最终结果
将7x7x40的卷积层全部展开作为输入特征，建立一个输入层单元数为1960的神经网络即可
卷积神经网络常见的结构：
1.Conv卷积层如上图所见
2.Pool池化层
3.FullyConnected全连接层
Pooling layer 池化层：
池化层的作用：缩减模型大小，提高计算速度，增强提取特征的鲁棒性
最大池化层，顾名思义，就是把每次filter的卷积过程换为对区域内的所有数字求最大值的过程，如上图所示，在指定filter大小和步长s后可以得到最终的结果为2x2，然后每次求不同区域内的最大值即可。
平均池化层，这种池化层的应用要比最大池化层少。一般应用于很深的网络中，比如上浅层的信道层的网络等，原理与最大池化层相同，只是每次对filter的区域求平均值。
注意：
一般而言，池化层的超参数只有filter的大小f和步长s，在池化层中一般不用填充padding，因此p一般为0。
堆叠的池化层操作与卷积操作相同，对每个信道单独求max/average然后堆叠即可。
