【AI易操作-深度学习算法代码解读】基于keras实现图像识别CNN模型-含CNN卷积神经网络模型原理

图像识别为什么要用卷积神经网络CNN？比传统神经网络好在哪里？
核心差别点：多了卷积层+池化层，所以本文主要是梳理卷积层和池化层设计原理+CNN模型实现（基于Keras代码）

传统神经网络的劣势

我们知道，图像是由一个个像素点构成，每个像素点有三个通道，代表RGB颜色，如果一个图像的尺寸是（28，28，1），即代表这个图像的是一个长宽均为28，channel为1的图像（channel也叫depth,此处1代表灰色图像）。如果使用全连接的网络结构，即，网络中的神经与与相邻层上的每个神经元均连接，那就意味着我们的网络有28 * 28 =784个神经元，hidden层采用了15个神经元，那么简单计算一下，我们需要的参数个数(w和b)就有：7841510+15+10=117625个，这个参数太多了，随便进行一次反向传播计算量都是巨大的，从计算资源和调参的角度都不建议用传统的神经网络。卷积神经网络CNN通过卷积层、池化层分别对图像数据进行特征提取，特征降维，可以大大减少计算权重参数的工作量。Dropout层的设计可以随机将一定比例的神经元权重设置为0，有效防止过拟合。
　CNN卷积神经网络图像识别图解：

一、CNN图像识别数据流工作过程：

1输入：图像预处理、图像增强
2特征提取：多层卷积+池化

2.1卷积层要点：
可以把卷积核就理解为特征提取器，只需要把图片数据灌进去，设计好卷积核的尺寸、数量和滑动的步长就可以让自动提取出图片的某些特征