tensorflow学习015——卷积神经网络

4.1 卷积神经网络

卷积神经网络主要应用于计算机视觉相关任务，但它能处理的任务并不局限于图像，在语音识别方面也是可以使用卷积神经网络
计算机可以通过寻找诸如边缘和曲线之类的低级特点来分类图片，继而通过一系列卷积层级建构除更为抽象的概念，这是CNN（卷积神经网络）工作方式的大体概述。
CNN工作概述指的是选择一张图片，历经一系列卷积层、非线性层（激活函数）、池化层（下采样层）、全连接层，最终得到输出，可以是最好的秒数了图像内容的一个单独分类或一组分类的概率。
卷积完成的是对图像特征的提取或者信息匹配。当一个包含某些特征的图像经过一个卷积核的时候，一些卷积核被激活，输出特定信号。
例如，当我们训练区分猫狗的图像的时候，卷积核会被训练，训练的结果就是卷积核会对猫和狗不同特征敏感，输出不同的结果，从而达到了图像识别的目的。

图4-1

卷积层三个参数： tf.keras.layers.Conv2D()
1）ksize 卷积核的大小，一般是33 55 7*7
2）strides 卷积核移动的跨度，每次移动几个像素位置，大部分是1
3）padding 边缘填充 有边缘填充一般操作后的图像大小不变 默认为valid不填充

池化层

图4-2
在22中找到一个最大值代表这个22区域，作用降低了之后训练的计算量
这个是最大值池化，患有平均池化，取平均值，一般采用最大值池化

图4-3
卷积神经网络整体架构图如图4-3所示。
在进行卷积的时候，不是只有一个卷积核，会使用多个卷积核，这样就会让数据变厚，一个卷积核会生成一个特征卷积数据。