在上篇中，對卷積神經網路的卷積層以及池化層模組進行了簡單的介紹，接下來將對卷積神經網路的整個運作流程進行分析，以便對CNN有個總體上的認知和掌握。
如下圖，卷積神經網路要完成對圖片數字的識別任務。網路的輸入是數字為7的RGB圖片，大小為32×32×3，其中32×32為圖片的畫素大小，3表示圖片的紅、綠、藍三個通道。圖中示例的卷積神經網路共有7層（不包括輸入層）：第一層卷積層Conv 1，第二層池化層Pool 2，第三層卷積層Conv 3，第四層池化層Pool 4，第五層全連線層FC 5，第六層全連線層FC 6，第7層全連線層也是網路的輸出層FC 7。
需要說明的是，圖示網路模型只是卷積神經網路的一種結構，並不是唯一結構，卷積層、池化層、全連線層的數量可根據實際情況設定。
（1）Conv 1
一個5×5×3的卷積核和表示圖片的32×32×3的資料矩陣卷積得到一個28×28×1的feature map，如下圖所示。
一個卷積核卷積得到一個feature map，當有6個卷積核時，卷積得到的特徵圖大小變為28×28×6。
引數量：一個卷積核權值引數個數5×5×3=75，偏置引數1個，75+1=76個。一共有6個卷積核，故該層待訓練總引數個數：(5×5×3+1)×6=456。
在該層中，表示圖片所有畫素點顏色深淺的32×32×3的三維資料矩陣經過和6個5×5×3的卷積核進行卷積後得到28×28×6的特徵圖，再經過非線性函式啟用即得到Conv 1層的輸出。輸出特徵圖的通道數和卷積核的數量一樣。
（2）Pool 2
匯聚視窗大小為2×2，步幅為2，經過最大池化後，得到14×14×6的特徵圖。輸入特徵圖大小為28×28×6，通道數是6，池化層不會改變特徵圖的通道數，即輸出特徵圖的通道數和輸入特徵圖的通道數一樣。池化層沒有待訓練引數。池化層未使用非線性啟用函式。
（3）Conv 3
卷積核大小5×5×6，數量是16，步幅s=1，輸出特徵圖大小為(14-5+1)×(14-5+1)×16=10×10×16。輸入特徵圖經過卷積操作還得經過非線性函式的啟用後才能得到Conv 3層的輸出。
引數量：(5×5×6+1)×16=2416。
（4）Pool 4
匯聚視窗大小為2×2，步幅為2，經過最大池化後，得到5×5×16的特徵圖。要注意的是，當前層的輸出不是一維向量，是無法直接連線下一層的全連線層的。因此，經過池化得到的輸出特徵圖還要經過flatten操作變為400×1的向量後，才能作為全連線層的輸入。
（5）FC 5
該層有120個神經元。
引數量：400×120+120=48120。
（6）FC 6
該層有84個神經元。
引數量：120×84+84=10164。
（7）FC 7（Output）
網路的輸出層，有10個神經元，使用SoftMax啟用函式，神經元節點輸出值對應10個數字的概率大小。
引數量：84×10+10=850。
當網路得到10個數字的概率以後，取概率最大的那個數字即為本次神經網路的圖片數字識別結果啦~