Layer|卷积神经网络-深度学习( 二 ) 卷积神经网络（CNN）是一类深度神经网

填充在输入卷积的外部添加额外的0 ，以便卷积最终具有与输入相同数量的输出。如果我们不使用填充，则在每个卷积层之后，边界处的信息将丢失，这将减小卷积的大小以及性能。
类型：有效填充，相同填充。
在有效填充中，与输入相比，该特征的维度降低，而在相同填充中，维度增加或保持相同。
文章插图
零填充
展平（Flattening ）：
在应用了所有上述层后，我们得到矩阵形式的最终输出，但神经网络需要向量形式（1D）的输入数据，因此我们需要将我们的池化的特征映射展平成如下图所示的列。
文章插图
完全连接层（Fully connected Layer）（FC）：
在这里，我们将展平数据提供给FC的输入层（例如 x1 ， x2 ...）。我们在中间层应用ReLU等激活函数。
这里基本的神经网络工作发生像反向传播，优化。
文章插图
激活函数：
在中间层中，优选ReLu ，而对于输出层，则使用Softmax或sigmoid 。
以下是部分代码展示：
Importing the Libraries and Packagesfrom keras.models import Sequentialfrom keras.layers import Convolution2Dfrom keras.layers import MaxPooling2Dfrom keras.layers import Flattenfrom keras.layers import Dense
文章插图
创建神经网络的第一步是使用keras中的顺序类初始化网络。
Initialising the CNNmodel = Sequential()Convolutional Layermodel.add(Convolution2D(filters = 32, kernel_size = (3, 3),input_shape = (64, 64, 3),activation = ‘relu’))
文章插图
池化层
model.add(MaxPooling2D(pool_size = (2, 2)))
文章插图
pool_size：池化窗口的形状。
展平层
model.add(Flatten())完全连接的层
Adding the Hidden layermodel.add(Dense(units = 128, activation = ‘relu’))Adding the Output Layermodel.add(Dense(units = 1, activation = ‘sigmoid’))
文章插图
编译CNN
model.compile(optimiser = ‘adam’,loss = ‘binary_crossentropy’,metrics = [‘accuracy’])
文章插图
重要提示：
如果训练的数据非常少，那么我们可以通过应用缩放，翻转原始图像和创建新图像等操作从现有数据创建新数据。
Generating Image Datafrom keras.preprocessing.image import ImageDataGeneratortrain_datagen = ImageDataGenerator(rescale = 1./255,shear_range = 0.1,zoom_range = 0.2,horizontal_flip = True)test_datagen = ImageDataGenerator(rescale = 1./255)
文章插图