利用Keras构建完普通BP神经网络后，还要会构建CNN
Conv2D用于在CNN中构建卷积层，在使用它之前需要在库函数处import它。
from keras.layers import Conv2D
在实际使用时，需要用到几个参数。
Conv2D( nb_filter = 32, nb_row = 5, nb_col = 5, border_mode = 'same', input_shape = (28,28,1) )
其中，nb_filter代表卷积层的输出有多少个channel，卷积之后图像会越来越厚，这就是卷积后图像的厚度。nb_row和nb_col的组合就是卷积器的大小，这里卷积器是(5,5)的大小。border_mode代表着padding的方式，same表示卷积前后图像的shape不变。input_shape代表输入的shape。
MaxPooling2D指的是池化层，在使用它之前需要在库函数处import它。
from keras.layers import MaxPooling2D
在实际使用时，需要用到几个参数。
MaxPooling2D( pool_size = (2,2), strides = (2,2), border_mode = 'same' )
其中，pool_size表示池化器的大小，在这里，池化器的shape是(2,2)。strides是池化器的步长，这里在X和Y方向上都是2，池化后，输出比输入的shape小了1/2。border_mode代表着padding的方式。
Flatten用于将卷积池化后最后的输出变为一维向量，这样才可以和全连接层连接，用于计算。在使用前需要用import导入。
from keras.layers import Flatten
在实际使用时，在最后一个池化层后直接添加层即可
model.add(Flatten())
这是一个卷积神经网络的例子，用于识别手写体，其神经网络结构如下：
卷积层1->池化层1->卷积层2->池化层2->flatten->全连接层1->全连接层2->全连接层3。
单个样本的shape如下：
(28,28,1)->(28,28,32)->(14,14,32)->(14,14,64)->(7,7,64)->(3136)->(1024)->(256)
import numpy as np from keras.models import Sequential from keras.layers import Dense,Activation,Conv2D,MaxPooling2D,Flatten ## 全连接层 from keras.datasets import mnist from keras.utils import np_utils from keras.optimizers import Adam (X_train,Y_train),(X_test,Y_test) = mnist.load_data() X_train = X_train.reshape(-1,28,28,1) X_test = X_test.reshape(-1,28,28,1) Y_train = np_utils.to_categorical(Y_train,num_classes= 10) Y_test = np_utils.to_categorical(Y_test,num_classes= 10) model = Sequential() # conv1 model.add( Conv2D( nb_filter = 32, nb_row = 5, nb_col = 5, border_mode = 'same', input_shape = (28,28,1) ) ) model.add(Activation("relu")) # pool1 model.add( MaxPooling2D( pool_size = (2,2), strides = (2,2), border_mode = 'same' ) ) # conv2 model.add( Conv2D( nb_filter = 64, nb_row = 5, nb_col = 5, border_mode = 'same' ) ) model.add(Activation("relu")) # pool2 model.add( MaxPooling2D( pool_size = (2,2), strides = (2,2), border_mode = 'same' ) ) # 全连接层 model.add(Flatten()) model.add(Dense(1024)) model.add(Activation("relu")) model.add(Dense(256)) model.add(Activation("relu")) model.add(Dense(10)) model.add(Activation("softmax")) adam = Adam(lr = 1e-4) ## compile model.compile(loss = 'categorical_crossentropy',optimizer = adam,metrics = ['accuracy']) ## tarin print("\ntraining") cost = model.fit(X_train,Y_train,nb_epoch = 2,batch_size = 32) print("\nTest") ## acc cost,accuracy = model.evaluate(X_test,Y_test) ## W,b = model.layers[0].get_weights() print("accuracy:",accuracy) 实验结果为：
Epoch 1/2 60000/60000 [==============================] - 64s 1ms/step - loss: 0.7664 - acc: 0.9224 Epoch 2/2 60000/60000 [==============================] - 62s 1ms/step - loss: 0.0473 - acc: 0.9858 Test 10000/10000 [==============================] - 2s 169us/step accuracy: 0.9856