Keras 搭建图片分类 CNN （卷积神经网络）

1. 导入keras

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

2. Conv2D

构建卷积层。用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数，或者输出深度。因此，图片等高维数据每经过一个卷积层，深度都会增加，并且等于过滤器的数量。

Conv2D(filters, kernel_size, strides, padding, activation=‘relu’, input_shape)

• filters: 过滤器数量
• kernel_size: 指定（方形）卷积窗口的高和宽的数字
• strides: 卷积步长, 默认为 1
• padding: 卷积如何处理边缘。选项包括 ‘valid’ 和 ‘same’。默认为 ‘valid’
• activation: 激活函数，通常设为 relu。如果未指定任何值，则不应用任何激活函数。强烈建议你向网络中的每个卷积层添加一个 ReLU 激活函数
• input_shape: 指定输入层的高度，宽度和深度的元组。当卷积层作为模型第一层时，必须提供此参数，否则不需要

示例1：构建一个CNN，输入层接受的是 $200\times 200$ 像素的灰度图片；输入层后面是卷积层，具有 16 个过滤器，宽高分别为 2；在进行卷积操作时，我希望过滤器每次跳转 2 个像素。并且，不希望过滤器超出图片界限之外，就是说，不用0填充图片。

Conv2D(filters=16, kernel_size=2, strides=2, activation='relu', input_shape=(200, 200, 1))

示例2：在示例1卷积层后再增加一层卷积层。新的卷积层有 32 个过滤器，每个的宽高都是 3。在进行卷积操作时，希望过滤器每次移动1个像素。并且希望卷积层查看上一层级的所有区域，因此，不介意在进行卷积操作时是否超过上一层级的边缘。

Conv2D(filters=32, kernel_size=3, padding='same', activation='relu')

示例3：简化写法。创建具有 64 个过滤器，每个的过滤器大小是 $2$