يك شبكه‌ي CNN از دو بخش كلي تشكيل شده است:
*استخراج ويژگي (Feature Extraction)
*طبقه‌بندي (Classification)
درواقع زماني‌كه يك عكس به يك شبكه‌ي CNN وارد مي‌شود، ابتدا به مرحله‌ي استخراج ويژگي وارد مي‌شود. در اين مرحله هر عكس ورودي از چندين سري لايه‌ي كانولوشن (Convolution) و تابع فعال‌ساز ReLU و لايه‌ي pooling عبور مي‌كند. سپس عكس‌هاي ورودي به طبقه‌بندي وارد مي‌شوند؛ در اين مرحله ابتدا مسطح‌سازي (Flattening) صورت مي‌گيرد و سپس به يك لايه‌ي Fully Connected وارد مي‌شوند و درنهايت يك تابع سافت مكس (Softmax) براي مسائل طبقه‌بندي چندكلاسه و يا تابع سيگمويد (Sigmoid) براي مسائل طبقه‌بندي باينري روي آن اعمال مي‌شود تا عكس‌ها براساس مقادير احتمالي ميان صفر و يك طبقه‌بندي شوند.
براي مطالعه بيشتر درمورد يادگيري عميق و الگوريتم هاي آن به وبسايت بيگ پرو1 مراجعه كنيد.