卷积层：设定一个卷积核，又称滤波器。这里设定为5*5*3，通道数3要和上一步骤的通道数一样，此处为输入图片的通道数。一个卷积核提取的是一个特征，设定多个卷积提取的是多个不同特征
设定一个步长。步长意为滤波器每次走的步数，步长为1时，最后得到的矩阵大小一样，为2时，矩阵大小就成了原矩阵的二分之一。
进行卷积运算（原始图像是真实图像，其经过卷积运算后的矩阵，称为特征图像，feature_map）：
步长也分横向纵向的
很多时候为了避免图像内的像素点的特征总是被重复提取，以及边缘的特征的值总是很少被提取，所以可以在原始图片数据矩阵四周填充几圈0，称为padding填充。
此例是三个通道的原始图像，所以有三层的滤波器,卷积操作后生成了三个特征图。
我们通过第一个卷积核进行的操作提取了（原图第一层通道）的不同位置的同样特征，由于所有位置都是用的统一卷积核，即神经元之间连接的权重不变
我们通过第2个卷积核进行的操作提取了（原图第2层通道）的不同位置的同样特征，然后第三层。
最后，三个通道的总共三个特征图加一起，再加个偏置项，组成卷积层的输出的矩阵（矩阵数就是想提取的特征数），见过程演示
过程演示：
激活：
将卷积层的输出结果做一次非线性的映射，也就是做一次“激活”
如果输入变化很小，导致输出结构发生截然不同的结果，这种情况是我们不希望看到的，为了模拟更细微的变化，输入和输出数值不只是0到1，可以是0和1之间的任何数，
激活函数是用来加入非线性因素的，因为线性模型的表达力不够
这句话字面的意思很容易理解，但是在具体处理图像的时候是什么情况呢？我们知道在神经网络中，对于图像，我们主要采用了卷积的方式来处理，也就是对每个像素点赋予一个权值，这个操作显然就是线性的。但是对于我们样本来说，不一定是线性可分的，为了解决这个问题，我们可以进行线性变化，或者我们引入非线性因素，解决线性模型所不能解决的问题。
常用非线性激活函数：
◆Sigmoid(S形函数)
◆Tanh(双曲正切，双S形函数)
◆ReLU
◆Leaky ReLU
◆ELU
其中前两个s形激活函数需要先对输入数据归一化，否则激活后的值都会进入平坦区，使隐层的输出全部趋同
激活之后可选用dropout来解决过拟合问题：