设计卷积神经网络CNN为什么不是编程？

上一篇：《搞清楚这个老六的真面目！逐层‘剥开’人工智能中的卷积神经网络（CNN）》

序言：现在让我们开始走进卷积神经网络（CNN）的世界里。和传统编程完全不同，在人工智能的程序代码里，您看不到明确的算法规则，看到的只是神经网络的配置说明。这里的代码不会像传统编程那样去具体实现每个功能。比如说，如果您想让电脑分辨猫和狗，您不需要写代码去解释猫和狗长得什么样，而是通过描述神经网络的配置，让它在训练过程中通过数据自己学会。描述就像艺术，如何恰到好处地增添一笔，才能带来非凡的效果？这正是设计人工智能的精髓！！

（点一点关注，避免未来更新无法及时通知您）

在前面的知识中，我们创建了一个能够识别时装图像的神经网络。为了方便，这里是完整的代码：

import tensorflow as tf

data = tf.keras.datasets.fashion_mnist

(training_images, training_labels), (test_images, test_labels) = data.load_data()

training_images = training_images / 255.0

test_images = test_images / 255.0

model = tf.keras.models.Sequential([

tf.keras.layers.Flatten(input_shape=(28, 28)),

tf.keras.layers.Dense(128, activation=tf.nn.relu),

tf.keras.layers.Dense(10, activation=tf.nn.softmax)

])

model.compile(optimizer='adam',

loss='sparse_categorical_crossentropy',

metrics=['accuracy'])

model.fit(training_images, training_labels, epochs=5)

要将其转换为卷积神经网络，我们只需在模型定义中使用卷积层。同时，我们还会添加池化层。

要实现一个卷积层，您将使用 tf.keras.layers.Conv2D 类型。它接受一些参数，比如层中要使用的卷积数量、卷积的大小、激活函数等。

例如，下面是一个作为神经网络输入层的卷积层：

tf.keras.layers.Conv2D(64, (3, 3), activation='relu',