卷积神经网络，本质也是一种BP神经网络，但是采用了一些手段和技巧对抗梯度消失，卷积神经网络特别适用用于图像处理。

详细参考下面的文章，已经写的很好。

http://www.cnblogs.com/nsnow/p/4562308.html

这里我们讲一个详细的例子：

  •  输入层 32*32.
  • C1层: 5*5的卷积，使用6个卷积核。也就是六套权重。总共6*5*5+6个参数。后面的6是偏置值。经过卷积后形成 6个28*28的特征图像。
  • S2层:6个28*28的经过2*2的子采样，形成 6个14*14的特征图像。
  • C3：6个14*14的特征图像 经过 5*5卷积操作形成。16个10*10的卷积特征。这里要注意。卷积核不再相等。是因为，这14个卷积核，是通过排列组合，每次从前面的6个卷积核中抽取3个。最后组合形成14个。这样做的意义在于，把不同的卷积核的特征混合起来。
  • S4 子采样，16个10*10的卷积特征，经过2*2的采样，形成 16个5*5的卷积特征
  • C5 卷积操作，每个5*5特征平面经过5*5的卷积操作，就会变成一个数字特征。然后采用全连接的方式和120个神经元相连。
  • F6层，是84个神经元。代表了7*12的像素点。leNet-5的训练图片就是7*12的。这里正好就是对应了一个7*12的图片。用这个输出和具体的手写体求一个相似性。然后把这个相似性最高的作为最后的输出。

一文理解深度学习，卷积神经网络，循环神经网络的脉络和原理2-卷积神经网络

最后给大家推荐一个论文。 Deep Convolutional Neural Network Design Patterns。上面描述了很多卷积神经网络的设计模式，可以参考一下。