用訓練集訓練好的卷積神經網路，當然是既可以提取訓練集的特徵，也可以提取測試集的特徵。

1、卷積神經網路結構

2、卷積神經網路發展歷程

3、反向錯誤傳播

卷積神經網路（CNN）用訓練集訓練的時候，卷積神經網路的前向傳播的卷積池化等過程即為特徵提取過程，最後計算損失函式，然後反向傳播根據鏈式求導法則來更新CNN的權值引數。這就是在調整每一層網路和卷積核的特徵提取器的引數（各層提取的特徵和起到的作用不同）。

訓練是為了讓整個卷積神經網路特徵提取器的效果越來越好（越來越適應於訓練集），所以說訓練出來的卷積神經網路能夠提取訓練集的特徵。

跑測試集是為了測試特徵提取器能力的高低，此時的CNN各層引數已經經過訓練集訓練，能夠提取類似訓練集這種型別的目標的引數（影象，聲音、文字），這時要再跑測試集來測試前面訓練得到的CNN的特徵提取能力。

附：訓練集、測試集概念

資料集：在機器學習任務中使用的一組資料，其中的每一個數據稱為一個樣本。反映樣本在某方面的表現或性質的事項或屬性稱為特徵。

訓練集：訓練過程中使用的資料集，其中每個訓練樣本稱為訓練樣本。從資料中學得模型的過程稱為學習（訓練）。

測試集：學得模型後，使用其進行預測的過程稱為測試，使用的資料集稱為測試集，每個樣本稱為測試樣本。

訓練集訓練的網路當然可以提取訓練集的特徵，當然前提是你訓練的卷積神經網路成功的收斂了，同時模型沒有過擬合，那麼在你的測試集和訓練集是同類資料的情況下，模型也可以提取測試集的特徵。

我覺有這種疑問的前提是對卷積神經網路提取的特徵不夠了解。就影象而言，常見的特徵可能就是單純的結構特徵，屬於低階特徵，這種特徵一般由淺層網路來提取，而深層的網路一般都是提取的高階特徵資訊，也許主觀上人類根本無法理解，網路用訓練集提取的特徵，比如說直線這一簡單的結構特徵，是可以通用的，你用其他圖片（包含直線的），那模型就可以檢測出來這個直線，在這種情況下，模型本質上是學習了對應的卷積核引數，也就是影象中的濾波器，一般是可以通用的