卷积神经网络介绍
什么是卷积
这个最简单的卷积神经网络说到底，终究是起到一个分类器的作用。
卷积层负责提取特征，采样层负责特征选择，全连接层负责分类。
卷积层的作为是做特征提取。每个kernel代表一个滤波器。卷积的过程为：
输入：图片个数，图片高度，图片宽度，图片通道数
输出：特征图，也就是通常叫的feature map
padding：每次卷积，图像都缩小，这样卷不了几次就没了； - 相比于图片中间的点，图片边缘的点在卷积中被计算的次数很少。这样的话，边缘的信息就易于丢失。为了解决这个问题，我们可以采用padding的方法。我们每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。通常使用补0的方式填充。
案例
要解决的问题
本次我们依然解决MNIST数据集的问题，想了解详情请参考（https://www.yuque.com/suanpan_doc/public/wvt1ce）。
解决方案
本次依然使用上次算盘模板中的实现方式，从模板创建之后方便你对模型结构参数进行修改。
模板
在项目模板中，双击keras教材案例中的卷积网络介绍：
可以创建出以下模板，模板中的组件可以在深度学习的pytorch的分类中找到：
可以看出整个模板分了四块：
- 模型建立——需要有一个输入层，注意填写接收图片的大小与通道数，后面连接Conv2D，Maxpooling，RELU激活函数，Linear等网络层
- 数据载入——需要RAW-MNIST组件下载MNIST原始数据，图片转Tensor可以将图片格式转换为模型可计算的Tensor数据类型，最后接手写数字识别数据集组件用来解析原始MNIST文件
- 模型训练——数据载入设置Batch Size，选择RMSprop作为参数寻优器，模型训练节点设置epoch数与Loss Function，最终生成训练好的模型文件
- 图片可视化——Tensor转图片可以将生成好的Tensor数据转换为图片保存，最终生成在转换组合组件的输出节点中。
- 预测评估——该模板没有包含模型预测评估的模块，你可以参照上个案例中所示添加相应的组件对于你的模型进行评价。
这样就实现了一个简单的神经网络模型，你可以对其中的网络结构进行重新编辑，验证你的算法！