1、卷积层.
卷积层由参数可学习的卷积核组成。卷积核的宽度和长度可改变，深度必须与输入层的通道数一致。
比如说输入32*32*3的图片，一个卷积核的大小为5*5*3，一个卷积核在padding=0情况下划窗生成一个二维的激活图（28*28*1）。
2、如果我们有6个5*5*3的卷积核，就可以生成28*28*6的激活图。输出层的通道数与卷积核个数一致。
3、池化层：
池化层用来控制图片的空间尺寸，相当于一个降采样的过程。同时，池化层也有着控制过拟合的作用。有maxpooling，averagepooling等类型
4、激活函数层：
常用的激活函数有sigmoid，ReLU，tanh,leakyReLU等等
5、归一化层：
最常用的归一化层是Batch Normalization。能使训练速度大大加快。
6、全连接层：
全连接层（fully connected layers，FC）指的是神经元完全与输入的变量连接，在整个卷积神经网络中起到“分类器”的作用。
