keras实现cnn模型代码

利用keras 实现cnn模型，关键在于：
（1）原始数据的处理。（可输入的格式）
（2）卷积层、池化层、全连接层的搭建
（3）各层对输入数据的size变化。

1.库的导入

np_utils库中的功能，应该就是对label进行one-hot处理一类的操作。

from models import Sequential 是keras搭建模型的一种框架，Sequential是一系列网络层按顺序构成的栈。
将一些网络层通过.add()堆叠起来，就构成了一个模型。

from models.layers import dense, activation, convolution2D, maxpooling2d, flatten 是导入的模型中的各个网络层。

dense：全连接神经网络层；
activation：激活函数；
convolution2D：卷积层
maxpooling2D：池化层
Flatten：用于数据的多维转换为一维，实现卷积层到全连接层的转换。

optimizer是模型的优化器，不同的优化器主要是在对学习率上的处理有所不同。

2.输入数据的处理

训练集的输入格式是600002828，是指一共60000个样本，每个样本是2828的像素图。由于数据是黑白数据，因此没有RGB的维度。

因为CNN模型的标准格式是出入长宽*高，高其实就是图像的颜色，改数据中没有高这一维度，所以要通过reshape增加一个维度。
缺少RGB的维度，因此在原数据的样本数之后添加了色彩维度，由于是黑白图片，该维度为1。其实就是高度为1。
除以255，是为了归一化。其实还有其他的方法，进行归一化。

3.模型搭建

model=Sequential()就是使用keras框架的方便之处，通过add的方式将网络的各个层加起来，后面只需针对各个层进行设计，最终通过add构建模型。

第一个卷积层：
卷积层中最重要的就是滤波器（filter），通过使用filter对原始数据进行特征提取。所以在卷积层中，就是对filter设计，分别有个数，尺寸，和padding。一般filter的尺寸为33或者55。个数由少到多，成倍增加。
该案例中，filter的个数为32，尺寸为5*5。

激活函数
卷积层后添加激活函数。激活函数有很多种，包括sigmoid，tanh。。。

池化层

池化层主要对卷积层提取的数据进行特征简化，其中包括最大池化，和平均池化。经过一次池化，原本的数据尺寸长宽都会减少一半。本案例中，经过第一次池化，长宽由2828变为1414。

第二层卷积层、激活函数、池化层。

铺平

特征提取之后，需要输入全连接层。但是，由于卷积之后的得到是多维图像（由于多个filter，有多少个filter就有多少个图片），无法直接输出至全连接层dense，因此中间需要flatten将得到的多个特征图进行铺平。

全连接层

最后通过全连接层对提取的特征进行一个特征降维吧，然后输出类别个数。

优化器

最后将优化器定义，其实就是定义学习率。

模型编译

设计模型的损失函数，该案例的损失函数为categorical_crossentropy（交叉熵损失函数），多分类中就是用交叉熵损失函数。