基于Keras CNN与Fashion_MNIST数据集开发一个深度学习程序

     上篇文章《基于Keras DNN与Fashion_MNIST数据集开发一个深度学习程序》介绍了基于Keras API，构建一个深度神经网络DNN，用于分类Fashion_MNIST数据集，其精度大约在90%左右，不管怎么训练，也无法提高了。

     下一步的思路是，是否能修改深度神经网络的构架，使得精度继续提高呢？

      图像处理的常用的一个方法是滤波，滤波的本质是特征提取。换句话说，能否在神经网络中加入滤波器，由滤波器来提取图像特征，从而取代人为直接指定？滤波器核（Kernel）的参数由训练自动习得，这样或许比人为提取特征更合理。上篇文章《基于Keras DNN与Fashion_MNIST数据集开发一个深度学习程序》中的DNN，本质是人为指定了特征，即像素的亮度值。经过训练发现，其精度在90%左右，不能提高了。

      由此，本文将加入图像滤波器(image filter)来自动提取特征，图像滤波器的核（kernel）的参数，由训练自动习得。由于实现图像滤波的数学计算方法是卷积（Convolution），所以，我们在神经网络中，直接加入卷积计算，即卷积层。

       经过卷积后，需要训练的参数大大增加，所以，我们需要一个图像压缩技术，在保证精度的情况下，让需要处理的参数（计算量）尽量少一点。池化(Pooling)就是一种图像数据压缩技术。

       本文将创建具有Conv2D->MaxPooling->Con2D->MaxPooling->Dense128->Dense10网络结构的神经网络，看看检测精度是否可以继续提高。

CNN 模型

可以看到，程序框架基本与上篇文章中的DNN类似，不一样的地方就是创建model的时候，加入了ConvD->MaxPooling2D->Conv2D-MaxPooling2D，这些用于自动提取特征的卷积计算层，和用于压缩图像的池化层。

运行后，可以看到，加入CNN自动提取图像特征后，相比于之前直接人为指定像素亮度作为特征，精度有提高接近3%，证明研发方向和思路是正确的。

进阶阅读《CNN需要训练的参数个数（Param #）计算》

参考阅读《深度学习图像识别技术》