神经网络-CNN

​此文章是个人对于构建神经网络模型的理解，希望有助于你对CNN模型有所理解

数据导入和归一就不再说了，重点说一下CNN模型

下面是建模的所用代码:

model = keras.Sequential([
    keras.layers.Conv2D(32,(3,3),activation= 'relu',input_shape=(28,28,1)),
    keras.layers.MaxPooling2D((2,2),),
    keras.layers.Conv2D(64,(3,3),activation='relu'),
    keras.layers.MaxPooling2D((2,2)),

    keras.layers.Flatten(input_shape=(28,28)), 
    keras.layers.Dense(128,activation='relu'), 
    keras.layers.Dense(10,activation='softmax'),
])

这里我来一一说明一下：

CNN模型主要是存在 卷积层和池化层

卷积层是什么，有什么用？

卷积就是每个照片中的不同数据窗口和卷积核做矩阵点乘求和操作，该过程也称滤波，多个叠加就是卷积层

单个卷积核通常处理单个特征 多个特征可以使用多个卷积核

作用：提取图片局部特征

补充一点：通常由于矩阵点乘求和过程是线性加权运算，而且单层的神经网络都是线性运算，只有加上激活函数即代码里面（activation）,才可以使用网络转为非线性运算

池化层：

由于卷积层的存在，通常卷积后图片很大，有可能存在一些弱特征，大部分还是因为图像的相邻像素具有相似值导致最终有信息多余，因此需要池化操作来降低特征，这也是实现减低计算量的手段

具体操作通常有最大池化（Max pooling）、平均池化（average pooling）、求和池化（Sum pooling）在cv中最常用是最大池化

激活层，基本使用relu 具体为什么要这个可以百度查找一下 这里就不贴链接了
​

活动地址：CSDN21天学习挑战赛