在卷积层中，输入数据通过与卷积核进行卷积运算，得到一系列的feaure map。每个卷积核都可以看作是一个滤波器，它可以对输入数据进行特征提取。通过多个卷积核的组合，可以提取出输入数据的多种特征。
在C中，每个卷积层都会生成多个feaure map，这些feaure map的数量取决于卷积核的数量。每个feaure map都代表了输入数据的一种特征表示。随着C的层数逐渐加深，每个feaure map所代表的特征也会越来越抽象。
在池化层中，会对每个feaure map进行下采样操作，减少特征的空间维度，从而减少参数数量和计算复杂度。同时，下采样操作还可以对输入数据进行一定的模糊处理，增强模型的鲁棒性。
在全连接层中，会对每个feaure map进行线性变换和激活函数处理，得到最终的输出结果。全连接层的作用是将前面层的特征表示映射到具体的分类结果上。
C通过一系列的卷积和池化操作，将输入数据抽象成多个特征表示，从而完成计算机视觉任务。这种特征表示方式不仅提高了模型的分类精度，还降低了模型的参数数量和计算复杂度。因此，C已经成为计算机视觉领域的经典模型之一。
