一个普通两层卷积神经网络一般有以下四个部分组成：
a 卷积层1：这里会使用卷积核矩阵对输入矩阵进行卷积运算，得到对应的特征值，这其中为了更好的数据，一般会使用到sigmod或者relu等函数，随后会经过池化操作(最大值池化或者平均值池化操作)得到处理后的特征值。
b 卷积层2：这里也会使用卷积核矩阵对输入矩阵进行卷积运算，得到对应的特征值，这其中为了更好的数据，一般会使用到sigmod或者relu等函数，随后会经过池化操作(最大值池化或者平均值池化操作)得到处理后的特征值。
c 全连接层：这一层的主要作用是把之前的得到的多组特征组合成一组特征，同时为了防止过拟合和更好的泛化，这一层中还会进行dropout操作，随机丢弃一些特征值
d 识别系统：这一层的目的就和神经网络的用途密切相关了，比如如果该网络是用于分类目的的，那么这里可能就会使用sigmax函数进行二值化。
小结： cnn的这个网络通用性很强，几乎可以适用于任何的分类或者建模数据模型的作用。这其中的特征提取是通过卷积核来提取的，不过该模型也是通过最小化loss函数（一般是通过随机梯度下降法来求解模型参数），最小化loss函数的目的其实都是使得模型预测的数值和真实的数值尽可能的接近.
