卷積神經網路常用模組是否指基本元件，主要由以下幾個部分組成：

1. 卷積層，卷積層是最基本的組成元素，由若干卷積神經元組成，每個神經元的引數都是透過反向傳播演算法最佳化得到的。卷積運算的目的是提取輸入影象的不同特徵，在前面卷積層提取低階的特徵，如邊緣、線條等，越往後提取的特徵越複雜。

2. 池化層，池化層的作用是保留主要的特徵,同時減少引數和計算量，防止過擬合；保持平移、旋轉、尺度等不變性；最常見的池化操作有平均池化和最大值池化，平均池化是指計算影象區域的平均值作為該區域池化後的值，最大池化是指選影象區域的最大值作為該區域池化後的值。

3. 全連線層，全連線層的每一個結點都與上一層的所有結點相連，主要用來把前面所有層提取到的特徵綜合起來，用於分類和迴歸任務。

4. softmax層，Softmax函式將多個標量對映為一個機率分佈，其輸出的每一個值範圍在(0,1)，主要用在卷積神經網路的最後一層，作為輸出層，用於多分類任務。

5. Batch Normalization，主要對輸入資料在通道維數上進行批次標準化，歸一化到零均值和單位方差，用於解決梯度消失問題，同時可以防止過擬合。

6. Dropout，drouopt是指在訓練過程中，按一定的機率丟棄一些神經元，不參與前向和反向傳播，是一種正則化手段，主要用於防止過擬合。

還有資料增強，就是透過某種變換操作來產生新資料的過程，主要用於產生新資料、防止過擬合的出現。主要包括裁剪、旋轉、縮放、平移，調整影象飽和度、色彩、亮度等手段。