怎么用Keras实现CNN

//李宏毅视频官网：http://speech.ee.ntu.edu.tw/~tlkagk/courses.html                                                    点击此处返回总目录 //邱锡鹏《神经网络与深度学习》官网：https://nndl.github.io   下面秒讲一下怎么用Keras实现CNN。 在compile（下配置）和fitting（训练）的部分，其实跟以前的一模一样。唯一要改的是你的网络结构和输入格式，本来在DNN里面输入的是一个向量，现在如果是CNN的话，要给他一个3维的向量(tensor)。                               怎么实现卷积层呢？使用model.add(Convolution2D())实现。(25,3,3)表示使用25个卷积核，每个卷积核是3*3的size。input_shpe=(28,28,1)表示图像是28*28的，1表示是黑白的，如果是彩色的图，就写3。                 下采样层也很简单。用model2.add(MaxPooling2D())增加一个MaxPooling的层。(2,2)意思是我们把2*2的feature map里面的像素拿出来，每次选最大的那一个。                    讲到这里，我们再总结一下。假设我们输入的是1*28*28的图像。 第一个卷积层，有25个卷积核，每个卷积核是3*3的size。经过第一个卷积层，得到的是25个26*26的图片（有几个卷积核，得到的channel就是几）。这一层每个滤波器有多少参数呢？卷积核size是3*3，有1个通道，所以有9个参数。 第一个采样层，得到25*13*13。 第二个卷积层，有50个卷积核。所以输出50*11*11。这一层每个滤波器有多少个参数呢？size是3*3,但是它的input的通道数是25，所以每个滤波器参数有25*3*3=225个。 第二个采样层，得到50*5*5.                            下面继续看，做Flatten，就是拉直。调用model.add(Flatten())就好了。得到的是1250维的向量。                           最后把1250维的向量丢到全连接网络里面。这个前面讲过。                     代码： 暂略，回来补。