【參考資料】 【1】《面向機器智慧的tensorflow實踐》 【2】Keras/example – mnist_cnn.py 【3】Keras中文文件

常用層

卷積層

卷積理解就是之前影象處理裡用作檢測邊緣、檢測角點的運算元，例如: 輸入: $\begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}$ 核:$\begin{bmatrix} 2 \end{bmatrix}$

卷積:$\begin{bmatrix} 1*2 & 2*2 \\ 3*2 & 4*2 \end{bmatrix}$

卷積處理時需要考慮(在tensorflow引數中)

1. 跨度: 即不是每個影象區域都要進行卷積，可以跨過一些畫素
2. 邊界填充:當卷積核（例如3*3的sobel卷積核）滑動到邊界時，考慮用0填充

*備註: 卷積作為整個網路的核心，理解是模擬生物學中的特徵，即我們的視覺神經只是做最簡單的邊緣檢測，然後在一層層的對接後，將簡單的邊界線抽象出複雜的形狀等資訊。 *

# 32 為輸出維度
# kernel_size為卷積核的大小，此時核的定義由
# kernel_initializer初始化，預設是glorot_uniform，一種基於均勻分佈的隨機取值
# activation 為該卷積輸出的啟用函式
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
 

池化層

池化層層通過對輸入進行採用，比如在3*3的區域內取最大值，目的在於減少輸入尺寸、降低過擬合等。

#(2,2)表示在x、y軸上都使得輸出變為原圖的一半，進行最大值池化
model.add(MaxPooling2D(pool_size=(2, 2)))

Dropout層

為輸入資料施加Dropout。Dropout將在訓練過程中每次更新引數時按一定概率（rate）隨機斷開輸入神經元，Dropout層用於防止過擬合。

# 0.25是要斷開的神經元比例
model.add(Dropout(0.25))

Flatten層

Flatten層用來將輸入“壓平”，即把多維的輸入一維化，常用在從卷積層到全連線層的過渡。Flatten不影響batch的大小。

Dense層(全連線層)

# 128 表示該層的輸出維度
model.add(Dense(128, activation='relu'))  

備註：理解在全連線層之前的卷積和池化層可以理解為特徵的選取，即從原始空間對映到一個新的特徵空間，但這個特徵真正意義上的分類是在全連線做的。

卷積神經網路程式（keras/mnist_cnn.py）

mnist是手寫數字識別庫

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])