深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 3

import keras
import tensorflow.keras.layers as layers

model = keras.models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),#卷积层1，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样
    layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3
    layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样
    
    layers.Flatten(),                              #Flatten层，连接卷积层与全连接层
    layers.Dense(64, activation='relu'),		   #全连接层，特征进一步提取
    layers.Dense(10)                               #输出层，输出预期结果
])
# 打印网络结构
model.summary()

​
​数据现在都处理好了，构建一个模型进行图片特征的提取，输出结果。

前面直接粘贴了博主的代码，导致报错，然后又在网上查了查，代码接下来要用到keras这个库，最后得出的结果和博主的一样，不用再次通过pip安装，好像是装tensorflow时就已经装上啦，不用再次安装。对于layers也做了导入的改动。

百度百科上解释的，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口，进行深度学习模型的设计、调试、评估、应用和可视化。

keras.models.Sequential（），Sequential是序列模型，是模型的线性组合，可以按照顺序依次添加相应的网络层。首先，网络的第一层是输入层，读取训练数据。参数 input_shape=(28, 28, 1)， (28, 28, 1) 的输入张量， 这正是上面处理好的图像格式。

Layers.Conv2D()的意思构建卷基层，用于从输入的高维数组中提取特征。卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数。32是过滤器的数量，为什么是32一直也没查到，activation是激活函数，通常设为relu，如果未指定任何值，则不应用任何激活函数。

卷积核大小：卷积核定义了卷积的大小范围，在网络中代表感受野的大小，相当于一个取景框的尺寸，用取景框来框像素，计算特征值，二维卷积核最常见的就是 3*3 的卷积核。一般情况下，卷积核越大，感受野越大，看到的图片信息越多，所获得的全局特征越好。但大的卷积核会导致计算量的暴增，计算性能也会降低。

活动地址：CSDN21天学习挑战赛

​