有源码提供：还在苦恼如何写CNN网络？看大神如何使用keras11行代码构建CNN网络.doc

有源码提供：还在苦恼如何写CNN网络？看大神如何使用keras11行代码构建CNN网络
我曾经演示过如何使用TensorFlow创建卷积神经网络（CNN）来对MNIST手写数字数据集进行分类。TensorFlow是一款精湛的工具，具有强大的功能和灵活性。然而，对于快速原型制作工作，可能显得有些麻烦。Keras是一个运行在TensorFlow或者Theano的更高级别的库，旨在流线化构建深度学习网络的过程。事实上，在上一篇TensorFlow教程中，TensorFlow大约需要42行完成的内容，在Keras中只需11行就可以完成类似的功能。接下来我将向你展示如何通过Keras做到这一点。该Keras教程将向你展示如何使用MNIST数据集构建CNN并实现> 99％的准确性。它与我之前的卷积神经网络教程中构建的结构完全相同，下图显示了网络的架构：这个Keras教程的完整代码可以在这里找到。Keras教程中的主要代码讲解：下面的代码是在此Keras教程中使用的CNN结构的“胆量”model = Sequential()(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),接下来我们一步一步的来解释：Model = Sequential()Keras中的模型可以有两种——序贯和通过API函数。对于构建的大多数深度学习网络，序贯模型是最常用的。它允许你从输入到输出整个过程都能轻松地堆叠网络层（甚至循环层）。而API函数可以帮助你构建更复杂的网络体系结构，本教程将不介绍它。第一行将模型类型声明为Sequential（）。(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),接下来，我们添加一个2D卷积层来处理2D MNIST输入的图像。传递给Conv2D（）函数的第一个参数是输出通道的数量。这里我们设置为我们有32个输出通道，下一个输入是kernel_size，我们选择了一个5×5移动窗口，其次是x和y方向（1,1）的步态。接着，激活函数是整流线性单元，最后我们必须与输入层的大小提供模型。还要注意，我们不必声明任何权重或偏差变量，Keras会帮助我们进行完成。(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))接下来我们添加一个2D max pooling层。层的定义很简单。在这种情况下，我们只是简单地指定在x和y方向上的池的大小和（2，2）的步。(Conv2D(64, (5, 5), activation='relu'))(MaxPooling2D(pool_size=(2, 2)))接下来，我们添加另一个卷积层+最大池化层，具有64个输出通道。在Keras中Conv2D（）函数的参数默认的步伐是（1,1），在Keras 中默认步伐是使它等于池的大小。该层的输入张量是（batch_size，28,28,32）28×28是图像的大小，32是来自上一层的输出通道数。但是，我们不必明确说明输入的形状是什么，Keras也能自动识别。这样可以快速组合网络架构，而不用担心网络周围张量的大小。(Flatten(