卷積神經網路（CNN）的計算過程主要包括以下幾個步驟：
輸入層：這是CNN的起始點，通常接受原始的圖像數據作為輸入。
卷積層：在這一層，通過使用卷積核（也稱為過濾器）對輸入圖像進行卷積操作，以提取圖像的特徵。卷積操作可以理解為對圖像的不同局部的矩陣和卷積核矩陣各個位置的元素相乘，然後相加得到的結果。
激活函式：在卷積操作之後，通常套用一個激活函式來增加模型的非線性。常用的激活函式包括ReLU（Rectified Linear Unit）、Sigmoid和Tanh等。
池化層（也稱為下採樣層）：池化層的目的是減少數據的維度，同時保留有用的信息。常見的池化操作包括最大池化和平均池化。
全連線層：在CNN的最後，通常會有一個或多個全連線層，這些層將學習到的特徵表示映射到最終的輸出。
在計算過程中，卷積操作可以通過以下公式表示：
\[ s(i,j) = (X * W)(i,j) = \sum_m \sum_n x(i+m,j+n)w(m,n) \]
其中，\( X \) 是輸入的圖像（或多維張量），\( W \) 是卷積核（也是多維張量），\( s(i,j) \) 表示在位置 \( (i,j) \) 的輸出結果。
通過上述步驟，CNN能夠從輸入的圖像中學習到層次化的特徵表示，從而完成各種視覺識別任務。