卷积神经网络是深度学习中的一个里程碑式的技术，有了这个技术，才会让计算机有能力理解图片和视频信息，才会有计算机视觉的众多应用。
在本部分的学习中，我们将会逐步介绍卷积的前向计算、卷积的反向传播、池化的前向计算与反向传播，然后用代码实现一个卷积网络并训练一些实际数据。
在后面我们还会介绍一些经典的卷积模型，向大师们学习一些解决问题的方法论问题。
卷积的目的是从输入中提取有用的特征。在图像处理中，有很多种不同的滤波器可以选择用于卷积。每种类型的过滤器有助于从输入图像中提取不同的方面或特征，例如水平/垂直/对角线边缘。类似地，在卷积神经网络中，使用训练过程中自动学习权值的滤波器，通过卷积提取不同的特征。所有这些提取出来的特征然后被“组合”起来做出决定。
做卷积有一些优点，比如权值共享和平移不变量。卷积还考虑了像素的空间关系。这些可能非常有用，特别是在许多计算机视觉任务中，因为这些任务通常涉及识别某些组件与其他组件具有特定空间关系的对象(例如，狗的身体通常连接到一个头、四条腿和一条尾巴)。