卷積神經網絡中有四個主要操作：
1.卷積
2.非線性變換（ReLU）
3.池化或子採樣
4.分類（完全連接層）
卷積的主要目的是從輸入圖像中提取特徵。通過使用輸入數據中的小方塊來學習圖像特徵，卷積保留了像素間的空間關係。
過濾器就是原始輸入圖像的特徵檢測器。
池化的作用是逐步減少輸入的空間大小[4]。具體來說有以下四點：
使輸入（特徵維度）更小，更易於管理
減少網絡中的參數和運算次數，因此可以控制過擬合 [4]
使網絡對輸入圖像微小的變換、失真和平移更加穩健（輸入圖片小幅度的失真不會改池化的輸出結果 —— 因爲我們取了鄰域的最大值/平均值）。
可以得到尺度幾乎不變的圖像（確切的術語是“等變”）。這是非常有用的，這樣無論圖片中的物體位於何處，我們都可以檢測到，（詳情參閱[18]和[19]）
https://www.plob.org/article/16273.html