【ML&DL学习】16 tf keras cnn selu

卷积神经网络

全连接层在卷积层和池化层的后面，因为卷积层的输入和输出是一个多维的矩阵，而全连接层的输入和输出是一个多维的向量，所以在卷积层和全连接层的连接点上，需要做一个操作，就是把卷积的输出给展平，展平涉及维度信息，全连接层无法将维度信息给呈现出来，全连接层无法直接与卷积层做连接。

什么是反卷积层？可以使数据维度变大，可以使得输入和输出一样大，当输入和输出一样大的时候，就可以去做物体分割（输入和输出尺寸一样）





局部连接


图像的区域性，一定区域的图像，像素点之间的信息有相似性


输出size = 输入size - 卷积核厚度（即卷积核size - 1)


步长为2，图片大小越来越小


多通道图像卷积处理，卷积核也是多通道的，每个通道对应上去，做乘法求和，输出依然是单通道输出。

如果提取多组特征，即多个卷积核处理，输出就是多个卷积核处理后的特征

池化

选择区域里面的最大值



不重叠指的是步长一样，计算过程中没有重叠的区域，不补零，指滑到最后，不够的区域直接丢掉。
平移后的卷积层会不一样，如果先做池化操作，这样平移后卷积会一样，具有平移鲁棒性。但是会损失一些精度信息。有些细节的东西会没有。

代码实现

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
x_train_scaled = scaler.<