Keras深度学习入门与实践

第3章　深度学习之卷积网络

前面的章节中，我们介绍了全连接网络，这种网络中的每一层都和它的相邻层全连接。我们应用全连接网络来对手写MNIST字符集进行分类。在那段上下文中，输入图像中的每个像素被分配一个神经元，总共有784（28×28像素）个输入神经元。然而，这样的策略并未提取出空间结构和图像关系信息。特别地，这段代码把每个位图表示的手写数字转换成扁平向量，导致空间局部性消失：

#X_train是60000行28×28的数据，变形为60000×784
X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)

卷积神经网络（Convolutional Neural Network，CNN，又称为ConvNet）保留了空间信息，也因此可以更好地适用于图像分类问题。受视觉皮质层上的生理学实验取得的生物学数据的启发，这些网络使用了ad hoc架构。如我们之前讨论的，我们的视觉基于多个皮质层，每层识别越来越多的结构性信息。首先，我们看到的是很多单个的像素；然后从这些像素中，我们识别出几何组成；再然后……这样越来越多的复杂的元素，如物体、面部、人类躯干、动物等被识别出来。

卷积神经网络是如此神奇，以至于在很短的时间里，它就成为了一种颠覆性的技术，打破了多个领域的最先进的技术成果。它除了最初设想的用作图像处理外，在文本、视频、语音等其他很多领域都有成功的应用。

本章，我们将涵盖以下内容：

• 深度卷积神经网络
• 图像分类

3.1　深度卷积神经网络——DCNN

深度卷积神经网络（Deep Convolutional Neural Network，DCNN）由很多神经网络层组成。卷积层和池化层这两种不同的网络层，经常交互出现。每个滤波器的深度在网络中由左向右增加。最后一部分通常由一个或多个全连接层组成，如图3.1所示。 ...