TensorFlow中文教程学习笔记（三） 卷积神经网络（CNN）

接上一篇内容，当待分类的图片变得复杂，简单的识别方法可能效果不佳。而卷积神经网络则功能强大，它先对图像进行过滤，而后在进行训练学习，图像过滤后，其特征才能更加明显地凸显出来，我们才能在这基础上识别不同的物品。

卷积神经网络（CNN）

过滤器其实就是一些乘法器，当你看到像素是192，过滤器是红色的方框中的数值时，就将两个矩阵的对应位置进行相乘，再将乘积数值相加。

过滤器1：留下了竖直的线条。

过滤器2：留下了水平的线条。

可以将过滤与池化（pooling）结合起来使用，池化把图像中像素分组-集成再向下过滤到它的子集里，举个例子：
最大化的池化，就是把图片过滤到2*2的数集中，再取其中的最大值，这样的方法，图像将会缩小为原来的四分之一，但是保留了原图像的所有特征。

之前的图被过滤和最大池化后，会变成下图，右图是左图的四分之一，但直线特征被保留并且增强了。
那这些过滤器是哪里来的呢？这就是卷积神经网络的神奇之处，它们是被习得的，它们本身只是参数，就像神经网络里面的神经元一样，当我们把图像输入卷积层后，它会把一堆随机生成的过滤器覆盖在图像上，随后这些覆盖结果就会被传到下一层，再用神经网络进行匹配，过了一段时间后，那些生成的最好的结果就会被过滤器记下，这个过程就叫作特征提取。

卷积神经网络代码：

input_shape（）定义输入层的尺寸，64代表生成64个过滤器，然后依次用这些过滤器和图像像素相乘，然后会找到把图像和标签最好匹配的过滤器，正如全连接层能自己找到最好的参数一样。
MaxPooling2D（）最大池化压缩增强后的图片。
然后就能把卷积层依次堆叠起来，这样我们就能够给图片分类，并从中提取出不同的特征。采用这个方法之后，图片就会使用特征而不仅是像素来进行学习了。

以上内容为TensorFlow中文教程的学习笔记。