在介绍完卷积网络的关键基础组件之后，我们终于可以来完整地介绍一个卷积网络是什么样子。如果你至少已经在网上浏览过几篇关于卷积神经网络的介绍，或者甚至认真看了一遍吴恩达的课程视频，以至于不排除你还将YANN LECUN那篇有名的《Gradient-Based Learning Applied

to Document Recognition》下载下来精读了一遍，那么我可以断定说，你对卷积神经网络的基本形式已经有了一个印象了，这对我接下来我介绍的内容是一个很好的帮助，因为下面我将通过一个例子，说明一个典型的卷积网络大概是什么形式。

假如说我们取一张30 x 30的原始图片，图片的通道为1，是一张灰度图像。

第一次卷积，用3 x 3的卷积核，步长为1，没有padding。一共有6个卷积核。卷积的结果得到一个28 x 28 x 6的层，因为是6个卷积核，所以输出结果是6通道。

接着采用maxpooling，池化层采用的filter是2 x 2，步长是2，这样输出结果缩小了1/2，得到一个14 x 14 x 6的层。池化层并不会减少通道数。

然后进行第二次卷积，采用大小为5 x 5的卷积核，由于输入的数据是6通道的，所以卷积核同样为6通道，所以是5 x 5 x 6，每个卷积核有150个权重值。这一次我们一共使用16个卷积核。经过卷积计算，得到一个10 x 10 x 16的层。

然后同样进行一次下采样，这次同样用maxpooling，filter同样为2 x 2，步长为2，这样数据缩小为5 x 5 x 16。

接下来使用一个全连接层。首先将上一层计算出来的5 x 5 x 16的数据首尾相撞，形成一个一维数据，这个数据的长度是400。这次我们使用120个卷积核，根据全连接层的计算规则，该层的输出是一个长度为120的一维数据。

然后进行第二个全连接层，得到一个长度为84的一维数据。

接着再进行一次全连接层，然后我们得到一个长度为10的一维数据，这一层的输出即是我们的分类。使用softmax函数，将代表这10个分类的数值变成一个概率值。

以上完成一次图像的检测。