卷積層
卷積神經網絡和全連接的深度神經網絡不同的就是卷積層，從網絡結構來說，卷積層節點和全連接層節點有三點主要的不同，一是局部感知域，二是權值共享，三是多核卷積。
①局部感知域是指，對於每一個計算單元來說，只需要考慮其像素位置附近的輸入，並不需要與上一層的節點相連，這可以大大減小網絡的參數。
②另一項減少參數的方式是權值共享，比如在對一張圖片進行卷積的時候，會讓卷積核逐一滑過圖片的每個像素，也就是說，處理每一個像素的參數都相同。
③每一個卷積核是一個特征提取器，若是只有一個卷積核的話，就只能提取一種特征，顯然不夠，所以使用多個卷積核，提取多個特征，以多核卷積的方式保證充分提取特征。
每個卷積核都會生成一幅新的圖像，在卷積神經網絡中，生成的圖像叫做特征圖（feature maps），可以理解為圖片經過濾波后的不同通道（channels）。
TensorFlow中tf.nn.conv2d用於在計算圖中加入2D卷積算子，其輸入必須是4維張量，第一位是batch，后面分別為in_height，in_width，in_channels；參數filter是指定的卷積核，比如filter=[3, 3, 3, 32]表示卷積核大小為3×3，輸入圖像通道是3通道，輸出32通道，即有32個卷積核；參數strides指定了卷積核的滑動步長；padding指定了邊緣處理方式。參數取值詳見help(tf.nn.conv2d)。
池化層
經過了卷積層提取特征以后，得到的特征圖代表了比像素更高級的特征，但是每一組卷積核都生成一幅與原圖像素相同大小的特征圖，並且為了提取多特征，使得通道數比之前還要多，發生了升維，而池化操作就是為了降維。
池化是將圖像按窗口大小划分成不重疊的區域，然后對一個區域內的元素進行聚合。一般采用2×2大小的窗口，聚合的方法有兩種，最大池化（取最大值，max pooling）和平均池化（取平均值，average pooling），對於2×2的池化操作，處理完圖像長和寬都是原圖的一半。實現代碼如下：
import tensorflow as tf
# 輸入圖像為256×256，RGB三通道
x = tf.placeholder(tf.float32, shape=[None, 256, 256, 3])
conv = tf.nn.conv2d(x, filter=[3, 3, 3, 32], strides=[1, 2, 2, 1], padding='SAME') pool = tf.nn.max_pool(conv, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')