卷积神经网络（CNN）通常由以下核心层构成，按处理顺序排列：

1. 输入层
   接收原始数据（如图像的三维张量：高度、宽度、通道数）。

2. 卷积层（Convolutional Layer）

   • 核心作用：通过卷积核提取局部特征（如边缘、纹理）。
   • 关键参数：卷积核大小（如3×3）、步长（Stride）、填充（Padding）、输出通道数。

3. 激活函数层

   • 常用函数：ReLU（修正线性单元），用于引入非线性，增强模型表达能力。
   • 变体：Leaky ReLU、Sigmoid（用于二分类输出层）等。

4. 池化层（Pooling Layer）

   • 作用：降低空间维度，增强平移不变性，减少计算量。
   • 类型：最大池化（提取显著特征）、平均池化（平滑特征）。

5. 批归一化层（Batch Normalization）

   • 对每批数据进行标准化，加速训练收敛，缓解梯度问题。

6. 全连接层（Fully Connected Layer）

   • 位于网络末端，将特征映射到样本标签空间，用于分类或回归。

其他常见辅助层：

• Dropout层：随机丢弃部分神经元，防止过拟合。
• 扁平层（Flatten Layer）：将多维特征张量展平，供全连接层处理。
• 跳跃连接（Skip Connection）：如残差网络（ResNet）中的跨层连接，解决梯度消失问题。
• 上采样层/转置卷积层：用于图像分割等任务，恢复空间分辨率（如U-Net）。
• 1×1卷积层：调整通道数，降低计算量（如Inception网络）。

典型CNN结构示例：

输入层 → [卷积 → 激活 → 池化]×N → 全连接层 → 输出层
现代网络（如ResNet、DenseNet）常加入批归一化、跳跃连接等模块，提升深度网络性能。