CNN网络的组成

• 卷积层（提取图像特征）
• 池化层（降维、防止过拟合）
• 全连接层 （输出结果）

卷积层

tf.keras.layers.Conv2D(
    filter,kernel_size,strides=(1,1),padding='valid',activation=None
)

• filter: 卷积过滤器的数量，对应输出特征图的通道数
• kernel_size: 过滤器filter的大小，一般为3x3
• strides: 步长
• padding: 'valid'在外圈以0填充
• activation: 激活函数

池化层

用于降低后续网络层的输入维度，缩减模型大小，提高计算速度，防止过拟合

最大池化：

• Max Pooling，取窗口内的最大值作为输出，这种方式较为常见

tf.keras.layers.MaxPool2D(
    pool_size=(2,2), strides=None, padding='valid'
)

• pool_size: 池化窗口大小
• strides: 步长
• padding: 是否填充，默认为否

平均池化：

tf.keras.layers.AveragePooling2D(
    pool_size=(2,2),strides=None,padding='valid'
)

全连接层

位于CNN网络末端，经过卷积层的特征提取和池化层的降维后，将特征图转化为一维向量送入全连接层中进行分类或者回归操作

全连接层使用Dense实现

实现小项目 - 识别手写字体

# LeNET-5 卷积神经网络
import tensorflow as tf
from tensorflow.keras.layers import Dense,Conv2D,MaxPool2D,Flatten
from tensorflow.keras.datasets import mnist

(x_train,y_train),(x_test,y_test) = mnist.load_data()

# 数据预处理
# 对应图片数量，图片高度，图片宽度，色彩通道
x_train = tf.reshape(x_train,(x_train.shape[0],x_train.shape[1],x_train.shape[2],1))
x_test = tf.reshape(x_test,(x_test.shape[0],x_test.shape[1],x_test.shape[2],1))

# 构建模型
net = tf.keras.models.Sequential([
    # 卷积层：6个5*5的卷积核，激活函数是sigmoid
    Conv2D(filters=6,kernel_size=5,activation='sigmoid',input_shape=(28,28,1)),
    # 最大池化
    MaxPool2D(pool_size=2,strides=2),
    # 卷积层：16个5*5的卷积核，激活函数是sigmoid
    Conv2D(filters=16,kernel_size=5,activation='sigmoid'),
    # 最大池化
    MaxPool2D(pool_size=2,strides=2),
    # 维度转换 => 一维
    Flatten(),
    # 全连接层，激活函数sigmoid
    Dense(120,activation='sigmoid'),
    # 全连接层，激活函数sigmoid
    Dense(84,activation='sigmoid'),
    # 全连接层，激活函数sigmoid
    Dense(10,activation='softmax')
])

# 模型编译
net.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])

# 模型训练
net.fit(x_train,y_train,epochs=10,avalidation_data=(x_test,y_test))