# 卷积介绍

# 卷积神经网络

卷积神经网络 (Convolutional Neural Network) CNN
大部分的图片并不是正正方方摆好的，会有些偏移，这时候全连接的计算机视觉就不太好使了。
他是识别物品的特征，来判断物品的；

从图像当中取到的像素，通过过滤器，与过滤器（Filter）相乘，最后相加，得到一个新的像素集；

不同的 filter 会有不同的效果

每次卷积完了之后还要再做一个 Max Pooling，他的作用是增强图像的特征，如下是取最大值，最后就剩下一个 2x2 的矩阵

Max Pooling 以后数据减少了，但是特征增强了。卷积的材料可以看 https://bit.ly/2UGa7uH

	import tensorflow as tf
	from tensorflow import keras

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

	model = keras.Sequential()
	#Conv2D 二维的卷积层，64 个过滤器，每个过滤器 3X3 的像素，
	model.add(keras.layers.Conv2D(64,(3,3),activation='relu',input_shape=(28,28,1)))
	#Maxpooling 2x2，四个像素，
	model.add(keras.layers.MaxPooling2D(2,2))
	model.add(keras.layers.Conv2D(64,(3,3),activation='relu'))
	model.add(keras.layers.MaxPooling2D(2,2))

	model.add(keras.layers.Flatten())
	model.add(keras.layers.Dense(128,activation=tf.nn.relu))
	model.add(keras.layers.Dense(10,activation=tf.nn.softmax))

	train_imges_scaled=train_images/255
	model.compile(optimizer=tf.optimizers.Adam(),loss=tf.losses.sparse_categorical_crossentropy,metrics=['accuracy'])
	#reshape ，-1 是不管无视行数
	model.fit(train_imges_scaled.reshape(-1,28,28,1),train_labels,epochs=5)

	model.summary()

	---console---
	Model: "sequential"
	_________________________________________________________________
	Layer (type) Output Shape Param #
	=================================================================
	conv2d (Conv2D) (None, 26, 26, 64) 640
	//输入是28x28，但是filter去掉了两个像素，64个filter
	//640 = (33+1)64
	_________________________________________________________________
	max_pooling2d (MaxPooling2D) (None, 13, 13, 64) 0 //尺寸缩小一半。没有调整参数所以Param=0
	_________________________________________________________________
	conv2d_1 (Conv2D) (None, 11, 11, 64) 36928 //再卷积，又去掉两个像素
	//36928=(3364+1)*64
	_________________________________________________________________
	max_pooling2d_1 (MaxPooling2 (None, 5, 5, 64) 0 //尺寸继续锁校
	_________________________________________________________________
	flatten (Flatten) (None, 1600) 0 //展平数据，
	_________________________________________________________________
	dense (Dense) (None, 128) 204928 //
	_________________________________________________________________
	dense_1 (Dense) (None, 10) 1290
	=================================================================
	Total params: 243,786
	Trainable params: 243,786
	Non-trainable params: 0
	_________________________________________________________________

	#读取 MODEL 的每个层
	layer_outputs = [layer.output for layer in model.layers]
	#将 input 和 output 放在一起，构成一组对象
	activation_model = tf.keras.models.Model(inputs=model.input,outputs=layer_outputs )
	#用在一张图片上，预测结果
	pred = activation_model.predict(test_images[0].reshape(1,28,28,1))
	len(pred)
	#输出 7，有 7 个层的输出
	pred[0].shape
	#(1,26,26,64)

	pred[0][0,:,:,1]
	#第 0 层，所有的行，所有的列，filter