激活层的作用是通过用非线性的激活函数处理前一层的线性输出，模拟任意函数，提高网络的表现力。 上图最左边的原始输入信息称为输入层，最右边的神经元称为输出层，上图的输出层中只有一个神经元。 中央的东西叫隐藏层。

而且，在撰写CNN相关的东西时，发现了包括CNN其他层次机制，如刺激层在内的先验知识(如神经元、多层神经网络等也需要介绍)，因此，本文只简单介绍下卷积操作的内容，但知识之间的先后关系这两个特征，即特定特征的选择和前馈连接带来的空间不变性的增大构成了卷积神经网络的人工视觉基础。

1、卷积神经网络损失函数

仅仅看了上图，可能还不能马上理解是什么意思，但结合上述内容，理解这个动态图已经不是一件难事。 这样，在训练过程中，与传统的全连接神经网络训练在大尺度输入样本时需要大量的参数不同，卷积神经网络只需要很少的参数就可以完成训练。 此时神经网络的输入由被输入图像的像素激活的一组输入神经元定义。 也就是说，我们很可能实现训练神经网络的目的——允许结合每个卷积层滤波器以检测优化的特定模式。

2、卷积神经网络通俗易懂的理解

在下图对应的计算中，输入是一定区域大小( width*height )的数据，与滤波器filter )和具有一定权重的神经元群)取内积后等待，直到成为新的二维数据。 最初只是想重点说明CNN中的卷积操作具体是如何计算和操作的，为了加深对自己的理解，后来又补充了一下，写了一篇关于卷积神经网络的通俗文章。

3、通俗理解卷积神经网络

使用全连接网络，首先一个隐层的每个神经元到输入层共49150个连接，随着网络层数的增加和每层神经元数量的增加，网络中的参数也急剧增加。 影像(不同数据窗口数据)和滤波矩阵)一组固定权重：由于各神经元多个权重固定，又可视为固定的滤波滤波器内积)操作即所谓的“卷积”操作

4、卷积神经网络图像识别

通过非线性激活函数进行非线性变换后，神经元被激活并传递给其他神经元。 此时，我们的目的是将l的值反馈给整个卷积神经网络(在这个神经网络的概念中称为back propagation，反向传输)，修正各滤波器的权重，使损失值l最小。 当训练卷积审计网络( CNN )的某个卷积层时，我们实际上正在训练一系列滤波器( filter )。

因此，神经网络从自然图像中学习到的一个局部区域的特征也适用于图像的其他相邻局部区域。