三、卷积神经网络(CNN)

1.CNN 解决了什么问题？

在 CNN 出现之前，图像对于人工智能来说是一个难题，有2个原因：

- 图像需要处理的**数据量太大**，导致成本很高，效率很低

-  图像在数字化的过程中很难保留原有的**特征**，导致图像处理的准确率不高

而CNN的提出很好的解决了这两个问题，对大量的图像数据进行降维的同时进行特征提取。它用类似视觉的方式保留了图像的特征，当图像做翻转，旋转或者变换位置时，它也能有效的识别出来是类似的图像。

2.基本组件.

典型的 CNN 由3个部分构成：

- 卷积层– 主要作用是保留图片的特征

- 池化层 – 主要作用是把数据降维，可以有效的避免过拟合

- 全连接层 – 根据不同任务输出我们想要的结果

3.卷积层

- 作用：特征提取，卷积层通过卷积核的过滤提取出图片中局部的特征，跟上面提到的人类视觉的特征提取类似。

- 超参数：卷积核数量、核尺寸、步长、零填充

# 卷积层，32个卷积核，尺寸为5x5conv1=tf.layers.conv2d(x, 32, 5, activation=tf.nn.relu)

4.池化层

- 作用：特征融合，降维

- 无参数需要学习

- 超参数：尺寸、步长、计算类别--最大池化/平均池化

# 最大池化层，步长为2，无需学习任何参量conv1=tf.layers.max_pooling2d(conv1, 2, 2)

5.全连接层

- 全连接层采用softmax函数，指数归一化函数，将一个实数向量压缩到（0,1）。

-  最后一个全连接层对接1000类的softmax层（主要取决于标签的种类）

# 展开特征为一维向量，以输入全连接层fc1=tf.contrib.layers.flatten(conv2)
# 全连接层fc1=tf.layers.dense(fc1, 1024)
# 应用Dropout (训练时打开，测试时关闭)fc1=tf.layers.dropout(fc1, rate=dropout, training=is_training)
# 输出层，预测类别out=tf.layers.dense(fc1, n_classes)