卷积

卷积方式

卷积效果

垂直线清晰可见：

池化

将图像中的像素分组并过滤到一个子集合中。

池化方式：

例子：2×2最大池化，选择2×2矩阵中的最大值，并构成新的矩阵。

池化效果

尺寸缩小四倍，图像特征被保留，甚至被增强。

特征提取

用于卷积和池化的过滤器也是学习得到的，这个过程被称为特征提取。

我的第一个卷积神经网络模型

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

fashion_mnist = keras.datasets.fashion_mnist
(train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()

# 定义模型
model = keras.Sequential([
    layers.Conv2D(64, (3, 3), activation='relu',
                  input_shape=(28, 28, 1)),     # 输入28*28的图片
    # 64个滤波器
    layers.MaxPool2D(2, 2),                     # 最大池化
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPool2D(2, 2),
    layers.Flatten(),
    layers.Dense(128, activation=tf.nn.relu),   # 调参
    # 128个计算函数（此处的“计算函数”并非准确术语）
    # activation: 激活函数
    # relu：线性整流函数，当数值大于零，则返回该数，否则返回零
    layers.Dense(10, activation=tf.nn.softmax)  # 输出0-10的编号
    # softmax: 将一个数组中最大值修改为1，其他修改为0
])
# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy')
# 开始训练
model.fit(train_images, train_labels, epochs=10)

经过10次训练，模型的准确度达到了98.8%，相比起之前单纯采集原始图像特征，准确度提升了4.4%。这是因为通过卷积和池化，机器能够学到更加抽象的特征，而不只是停留在原始像素上。

以上图片均来自TensorFlow