CNN示例讲解

输入图像32*32*3

第一个卷积层，f = 5，卷积核为 5*5*3，s = 1，步长为1，一共6个filter，filter决定了通道数，所以生成28*28*6的结构，每一个filter有一个偏置项，一个filter的参数是5*5*3+1，和原始输入对应位置相乘后累加再加上偏置项，这个线性结果最后做一个非线性变换（通常relu）得到最终的结构

第二层最大池化层，f = 2，也就是2*2，步长为2，池化分别对每一个通道进行运算，没有参数

第三层卷积层，卷积核5*5*6，16个filter

第四层最大池化层

第五层全连接层，是把上层结构flatten

第六层全连接层

第七层全连接层

第八层，10个神经元的softmax，model.add(Dense(10, activation='softmax'))

卷积核通常来说都rows = cols，所以只需要写f = 5，但是keras需要显式指出，比如filter size也可以是(1,5)，filter的通道数必定等于上一层的通道数，filter个数决定了下一层的通道数，

例如

model.add(Conv2D(64, (3, 3), activation='relu'))

64表示的是filter个数，(3,3)是filter的尺寸，不用写出filter通道数，因为必然等于上一层通道数，上一层是32个通道，所以filter尺寸是3*3*32