卷积改变特征图个数（通道数），池化改变图像尺寸（以LetNet5为例）

在这里有两个卷积层，有两个池化层，有一个全连接层。

在第一个卷积层中：有6个卷积核，一个feature map分别经过6个卷积核（一个卷积核的深度为1）可得到六个feature map

在第一个池化层中只是对得到的6个feature进行尺寸变化，不改变通道数，同时卷积层也不改变尺寸数。

在第二个卷积层中：有6个feature map，6个feature map分别经过16个卷积核（一个卷积核的深度为6）可得到16个feature map

在第一个池化层中只是对得到的6个feature进行尺寸变化，不改变通道数，同时卷积层也不改变尺寸数。

总结：

• 卷积层 的作用是从输入图像中提取局部特征，并通过多个卷积核生成不同的特征图。每一层的卷积操作都会使得网络能够提取越来越抽象的特征。
• 池化层 的作用是进行下采样，减少计算量，增强特征的平移不变性，并有助于防止过拟合。
  
  
• 参考教程：【深度学习 搞笑教程】25 经典卷积神经网络 LeNet-5/AlexNet/ResNet | 草履虫都能听懂 零基础入门 | 持续更新_哔哩哔哩_bilibili