CNN 架构：从图像到分类 (LeNet 风格)
Input
28×28×1
5×5 conv
6 filters
Conv1
24×24×6
ReLU
2×2
max pool
Pool1
12×12×6
5×5 conv
16 filters
Conv2
8×8×16
ReLU
2×2
max pool
Pool2
4×4×16
Flatten
256
FC
FC1
120
FC
FC2
84
FC
Out
10
特征提取 (Feature Extraction)
卷积层 + 池化层：从原始像素中学习局部特征
分类器 (Classifier)
全连接层：综合特征，输出分类
卷积层 (Conv)：可学习的滤波器，提取局部特征
池化层 (Pool)：降采样，减少参数，增大感受野
全连接层 (FC)：综合特征，输出分类结果
输出层 (Output)：10 类 (0-9) Softmax 概率
总参数量 ≈ 60K (LeNet-5 用于 MNIST)