keras 卷积原理分析
假设我们有这样一个2D卷积模型
modle = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)))
model.add(Maxpooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2))
model.add(Flatten())
model.add(Dense(512, activation='relu'))
model.add(Dense(1, acativation='sigmoid'))
首先我们输入的为(img_col, img_row, channels) = (150, 150, 1)的图像。
根据卷积原理，第一层卷积之后得到(148, 148, 32)。这里我们知道卷积层的第一个输入值为filter， 即过滤器的数量，也是输出维度。第二个参数即为filter_size。Padding:表示是否填充，如果设置padding=same，那么输出就为(150, 150, 32)。
如果我们输入如下一张图像。
那么第一层卷积之后就得到如下输出，共有32张特征图：
Maxpooling之后得到(76, 76, 32)，（通俗来讲就是抽样吧）。
然后进行第二次卷积，这个时候filter=64，kernel_size=(3, 3)。得到输出结果为(72, 72, 64)
注意：本来我们池化之后得到（74，74， 32），第二此卷积filter=64, 如果我们对第一层得到的每一张feature_map都做卷积的话，我们应该得到（74, 74, 64, 32)才对啊！其实只要这样理解就行了：第二层的每一个filter确实是对每一张feature_map做了卷积，但是讲32个卷积结果相加就得到第二层的feature_map值，所以第二层卷积之后得到的
(72, 72, 64)
然后第二层卷积之后得到如下结果：
第三层卷积之后：
这样，通过卷积我们就能得到一张图像的很多特征细节，虽然对于我们人类来说很难识别，但是对于机器来说用来做识别却是再好不过。若果我们继续下分下去，我们就能得到下图所示一样的基本特征。然后我们讲这些得到特征图Flatten()之后放入到全连接网络，用来做识别或者其他什么的。
最后我们再看看我们学习得到的filter是长啥样的。
感觉很神奇吧！！！
这些filter不就是deep dream 中出现的涂鸦吗！！
参考：
https://github.com/fchollet/deep-learning-with-python-notebooks