? ? ?上篇文章《基于Keras DNN與Fashion_MNIST數(shù)據(jù)集開發(fā)一個深度學習程序》介紹了基于Keras API，構建一個深度神經網絡DNN，用于分類Fashion_MNIST數(shù)據(jù)集，其精度大約在90%左右舱馅，不管怎么訓練赘方，也無法提高了烧颖。
? ? ?下一步的思路是，是否能修改深度神經網絡的構架窄陡，使得精度繼續(xù)提高呢倒信？
? ? ? 圖像處理的常用的一個方法是濾波，濾波的本質是特征提取泳梆。換句話說鳖悠，能否在神經網絡中加入濾波器，由濾波器來提取圖像特征优妙，從而取代人為直接指定乘综？濾波器核（Kernel）的參數(shù)由訓練自動習得，這樣或許比人為提取特征更合理套硼。上篇文章《基于Keras DNN與Fashion_MNIST數(shù)據(jù)集開發(fā)一個深度學習程序》中的DNN卡辰，本質是人為指定了特征，即像素的亮度值邪意。經過訓練發(fā)現(xiàn)九妈，其精度在90%左右，不能提高了雾鬼。
? ? ? 由此萌朱，本文將加入圖像濾波器(image filter)來自動提取特征，圖像濾波器的核（kernel）的參數(shù)策菜，由訓練自動習得晶疼。由于實現(xiàn)圖像濾波的數(shù)學計算方法是卷積（Convolution），所以又憨，我們在神經網絡中翠霍，直接加入卷積計算，即卷積層蠢莺。
? ? ? ?經過卷積后寒匙，需要訓練的參數(shù)大大增加，所以躏将，我們需要一個圖像壓縮技術锄弱，在保證精度的情況下，讓需要處理的參數(shù)（計算量）盡量少一點耸携。池化(Pooling)就是一種圖像數(shù)據(jù)壓縮技術棵癣。
? ? ? ?本文將創(chuàng)建具有Conv2D->MaxPooling->Con2D->MaxPooling->Dense128->Dense10網絡結構的神經網絡，看看檢測精度是否可以繼續(xù)提高夺衍。
可以看到狈谊，程序框架基本與上篇文章中的DNN類似，不一樣的地方就是創(chuàng)建model的時候，加入了ConvD->MaxPooling2D->Conv2D-MaxPooling2D河劝，這些用于自動提取特征的卷積計算層壁榕，和用于壓縮圖像的池化層。
運行后赎瞎，可以看到牌里，加入CNN自動提取圖像特征后，相比于之前直接人為指定像素亮度作為特征务甥，精度有提高接近3%牡辽，證明研發(fā)方向和思路是正確的。
進階閱讀《CNN需要訓練的參數(shù)個數(shù)（Param #）計算》
參考閱讀《深度學習圖像識別技術》
