輸入層
輸入層顧名思義就是將資料輸入(Data)的特徵值 (Features)，例如，今天要預測一個人是否有過重或是過輕的問題，我們有的資料會是這個人的身高、體重，而「身高、體重」就是你要放入輸入層的特徵值。
隱藏層
隱藏層也就是在做運算的工作，由神經元所組成，計算出我們的輸出值。
在BMI計算的例子中，隱藏曾就是 BMI = 體重(公斤) / 身高2(公尺2)
輸出層
而輸出層則是透過輸入特徵，經過隱藏層的運算所得到的數值，經過訓練，最終訓練出一組權重。
進入正題 卷積神經網路：
CNN 是模仿人類大腦的認知方式，例如我們看見一隻狗，會先注意到顏色鮮明的點、線、面，之後由這些點線面特徵構成形狀(眼睛、鼻子等等)，這種抽象化的辨識過程就是CNN建立模型的方式。
卷積層 就是由點的比對轉成局部的比對，透過小區塊讀取，可以得到較精準的辨識。
而卷積層在這邊卷積其實就是兩個步驟組成的運算 : 滑動 + 內積，滑動就是一個區塊一個區塊辨識的意思。
舉的最簡單的例子，我今天畫了個叉叉，由卷積層辨識後會將有特徵處（筆畫的叉叉）標示為與其他區塊不相同的數字作區分，最後由這些特徵輸出為叉叉符號。
實際應用：
1.利用影像辨識，判別象棋正反面，求出機率問題。
2.防疫期間利用影像辨識與人臉識別，加上機器學習技術，判別出是否有戴口罩。
3.利用影像辨識與機器學習，可自動將較不清楚的X光影像提高解析度與對比度以利於判別，或是判別出腫瘤位置等等。
尚未經調整的胸腔辨識影像
提升解析度和對比度
