卷积神经网络识别图片的步骤：
1 卷积层初步提取特征
2 池化层提取特征
3 全连接层将各部分特征汇总
4 产生分类器，进行预测识别
普遍的CNN结构
输入—卷积—ReLU—卷积—Relu—池化—Relu—卷积—Relu—池化—全连接（Input-Conv-ReLU-Conv-ReLU-Conv-ReLU-Pool-Fully Connected
Input是输入层，通过可训练的数字滤波器然后加上偏置可以通过一个Sigmoid等函数得到卷积层，得到特征图，然后连续几个像素求和，加权值加偏置，映射到一个点上，又得到特征图，通过卷积滤波，再重复一遍特征图映射到点上的操作（即下采样），将特征拉成一条直线作用在神经网络上。
在做项目过程中我们可以把基础代码拿来多加几层卷积层、池化层、全连接层、然后用Relu激活函数，再用dropout来防止过拟合，再调整一个优化器。
基于卷积神经网络的图像分类方法是通过卷积层和下采样层依次交替的模型结构来模拟人脑视觉系统对图像进行分类处理。
图片识别
低层信息➡️预处理➡️特征提取➡️识别分类
预处理一般采用去噪处理和类似图像修复或增强对识别的图像进行一定的处理，使得更加适合算法的要求。
特征提取就是从测试中提取出来那些适合算法设定的有用信号，为了避免特征的显性提取，其特征检测层根据训练数据进行学习从而对特征进行隐形的提取，比如形状边缘轮廓特征。
识别分类即分类器参数训练，通过多次迭代和不断的训练使得算法具有模型参数，有线形回归和Softmax回归等
