keras部分介绍

1.keras 关于batch normalization函数参数axis = 3的解释：https://www.zhihu.com/question/318398221
tips：
BN层的作用：（1）加速收敛（2）控制过拟合，可以少用或不用Dropout和正则（3）降低网络对初始化权重不敏感（4）允许使用较大的学习率
2.keras中的补零操作：ZeroPadding2D((3,3))(X_input)
解释如下：padding= (1,0),会在行的最前和最后都增加一行0。比方说,原来的尺寸为(None,20,11,1),padding之后就会变成(None,22,11,1).
padding= (1,1),会在行和列的最前和最后都增加一行0。比方说,原来的尺寸为(None,20,11,1),padding之后就会变成(None,22,13,1).
说明：在复现某个网络的过程中,作者使用的是宽卷积,也即长度为N,滤波器的大小为w,那么卷积之后的结果为N+W-1。这个跟数字信号处理中的卷积操作是一致的。这个就没办法用keras的API,所以直接使用padding就可以了。
原文链接：https://blog.csdn.net/lujiandong1/article/details/54918320

3.keras.layers.Dense详解：https://blog.csdn.net/weixin_42499236/article/details/84624195

4.

5.note：
Keras框架使用的变量名和我们以前使用的numpy和TensorFlow变量不一样。它不是在前向传播的每一步上创建新变量（比如X, Z1, A1, Z2, A2,…）以便于不同层之间的计算。在Keras中，我们使用X覆盖了所有的值，没有保存每一层结果，我们只需要最新的值，唯一例外的就是X_input，我们将它分离出来是因为它是输入的数据，我们要在最后的创建模型那一步中用到。

6.jupyter 导入并显示图片

img_path = 'smile.jpg'
img = image.load_img(img_path,target_size = (64,64))
imshow(img)

x = image.img_to_array(img)
x = np.expand_dims(x,axis = 0)
x = preprocess_input(x)

print(happy_model.predict(x))