深度学习：卷积神经网络(基础知识+iris实现）

链接:

1. 卷积神经网络详细介绍

2. 手写数字识别

卷积的实现：

• 原像素（由三个矩阵RGB通道构成的，元素均取值0-255）通过与卷积核进行对应位置相乘后相加的运算，形成新的卷积层

卷积价值：

• 通过使用多个卷积核，可以自动生成多种新特征（第一层卷积层可能智能提取一些低级的特征如边缘、线条和角）
• 通过使用多个卷几层，已生成的特征可以进行更复杂的排列组合，生成更深层次的特征。
• 卷积运算的重要特点：通过卷积运算，可以使原信号特征增强，并且降低噪音。

之前图像处理的缺陷及应对：

• 相对于之前的BP神经网络，全连接的方式权值太多，那要很多样本去训练，计算困难。因而采用减少权值的尝试，局部连接，权值共享。

CNN的局部感知结构

• 图像的空间联系局部的像素联系较为紧密，距离较远的像素相关性则较弱
• 因而每个神经元其实不需要对全局图像进行感知，只需要对局部进行感知，然后再更高层将局部信息综合起来就可以得到全局信息。

CNN多卷积核：

• 一个卷积的操作只对应了一种特征，各卷积核的具体权重则通过迭代进行估计。 实际操作中，多少个卷积核就能够对应提取多少种特征。

CNN的基本组件：

1. 卷积层(Convolutional layer)（激活函数、卷积运算，可以从原始数据提取不同特征供后续分析，层数越高，特征越全局化）
2. 池化层（平均池化、最大化池化）
3. 全连接层（在后面的层由于每一层节点个数比较少，所以近乎采取全连接）

池化层：

• 即：汇总/下采样，其作用是减小数据处理量的同时保留有用信息（卷积后数据量暴增）
• 相邻区域的特征是类似的，因此可以考虑选出最能表现相邻区域特征的像素，从而缩减数据量（压缩图像）
• 将特征切成几个区域，取其最大值或平均值，得到新的特征

from keras.models import Sequential
from keras.layers import Dense,Activation

Keras基本操作：模型的设定方式

#方式一：直接传递网络层实例列表
model=Sequential([
    Dense(32,input_shape=(784,)), Activation('relu'),
    Dense(10), Activation('softmax'),
])

#方式二：使