输出层
咱们通常在这一层对传入数据进行解决，此步骤可大幅优化图像处理后果，无效避免输出不同的数据单位，显著缩短神经网络训练耗时，进步网络收敛速率；须要引起留神的是，神经网络的激活函数个别都处于肯定的数值区间，因而进行网络训练的数据得映射到相应的区间。
运行人工神经网络时，底层参数更新对其有显著的作用成果，造成的影响会导致假如条件难以满足。从事相干钻研的科学家们在神经网络中采取归一化操作，能无效解决假如条件难以满足的问题。
此办法通常对数据做肯定尺度的放大和放大操作，个别状况下被用来对数据进行预处理或者对不同单位的测量数据作归一化数据分析。也就是说，归一化这一步骤就是将数据限度在某个数值范畴内，再进行线性比照拉伸：
卷积层
卷积层的次要作用是对输出图像进行卷积运算和特征提取。卷积层中含有一系列具备同一大小的卷积核，不同的卷积核查特征提取有不同的作用。
本层进行卷积运算的步骤如下：先假如卷积核的尺寸为 m×n，原始图像为 X，再对尺寸为 mxn 的卷积核中的权值 w 与原始图像 X 中的像素值 x 进行求积运算，计算的公式如下：
以下图 3.4 为例展现规范卷积运算过程。卷积运算的卷积核每次滑过原始数字图像的 9 个像素，笼罩像素的滑动框会滑动四次，失去一个尺寸为 2×2 的二维数据。对于原始数据尺寸为 n 的数字图像，执行尺寸为 f 的卷积运算操作，最终输入的数字图像大小为 n -f+1。
部分连贯和权值共享是卷积层的两个最次要的特色：为提取数据的特色信息，需把数据中潜在的具备相关性的信息抽象化，便于进行以上两个特色操作。
部分连贯是由人的视觉零碎激发进去的，它通过将卷积层的结点与上一层的部分结点相结合，从而达到学习部分特色的目标。对于待辨认的图像，在某个特定区域内，相邻的像素间的关联度高，而相距较远的像素关联度低。而在部分连贯中，繁多的神经元仅须要对图象的部分感知，再将全副的部分感知信息按程序合并，就能够取得整个图象的整体信息。
部分连贯和全连贯如图 3.6 所示，下图中，(a) 是部分连贯，(b) 是全连贯。
通过部分连贯形式对神经元连贯进行改良之后尽管在肯定水平上使得网络中的参数质变少，但神经元数量任然很多，参数量仍然会很多。想要参数数量变少，就须要使用权值共享策略。
权值共享是指用权重参数雷同的卷积核查输出图像进行卷积运算，用雷同的参数提取图像特色。如图示意的是权值共享。