使用Keras进行深度学习（二）：CNN讲解及实践

作者|Ray出品|磐创AI技术团队前言：现今最主流的处理图像数据的技术当属深度神经网络了，尤其是卷积神经网络CNN尤为出名。本文将通过讲解CNN的介绍以及使用keras搭建CNN常用模型LeNet-5实现对MNist数据集分类，从而使得读者更好的理解CNN。1.CNN的介绍CNN是一种自动化提取特征的机器学习模型。

1.2激活层：对卷积层的输出进行一个非线性映射，因为卷积计算是一种线性计算。常见的激活函数有relu、tanh、sigmoid等，一般使用relu。a.引入非线性激活函数的原因：如果不引入非线性映射的话，无论有多少层神经网络，输出都是输入的线性组合，这与一层隐藏层的效果相当。b.一般使用relu的原因：在反向传播计算梯度中，使用relu求导明显会比tanh和sigmoid简单，可以减少计算量。

图2：从左到右依次为sigmoid、tanh、relu激活函数1.3池化层：池化的目的就是减少特征图的维度，减少数据的运算量。池化层是在卷积层之后，对卷积的输出，进行池化运算。池化运算，一般有两种MaxPooling和MeanPooling。选取一个池化窗口（一般为2*2），然后从左往右进行扫描，步长一般为2。如下图MaxPooling操作，选取池化窗口中最大值作为该位置的输出。

从上图LeNet-5模型中，可以了解到该模型由以下结构组成：第一层：卷积层，这一层的输入的原始的图像像素，该模型接受的图像为32*32*1，6个5*5卷积核，步长为1，不使用全0填充。所以这层输出的尺寸为32-5+1=28，深度为6。第二层：池化层，该层的输入为第一层的输出，是一个28*28*6的节点矩阵。本层采用的过滤器大小为2*2，长和宽的步长均为2，所以本层的输出矩阵大小为14*14*6。

2.2.2LeNet-5模型的搭建

2.2.3训练模型

2.2.4评估模型最终在测试集的准确率可以达到99.7%。通过一个简单项目的实现，既可以帮助我们进一步了解CNN，又可以熟悉Keras应用。最终模型还可以保存到本地，便于下次使用。3.迁移学习迁移学习就是把已训练好的模型参数迁移到新模型来帮助新模型训练。考虑到大部分数据或任务存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数通过某种方式来分享给模型从而加快训练模型。