卷積神經網路會從影像中所表徵的資料來學習。本章將帶你探查影像中的資料，並學習如何使用 Keras 訓練神經網路，將影像中出現的物體加以分類。

認識卷積神經網路

影像作為資料：視覺化

影像作為資料：變更影像

影像分類

用 one-hot encoding 表示影像

評估分類器

使用 Keras 進行分類

建置神經網路

編譯一個神經網路

將神經網路模型套用到服飾資料

以交叉驗證評估神經網路

以神經網路進行影像處理

卷積是卷積神經網路的基本組成元件。本章將介紹卷積，並帶你了解它如何作用於影像資料。你也會看到如何把卷積納入 Keras 神經網路中。

卷積

一維卷積

影像卷積

定義影像卷積核心

在 Keras 中實作影像卷積

用於影像分類的卷積網路

訓練 CNN 來分類服裝種類

使用測試資料評估 CNN

微調你的卷積

在 CNN 中加入 padding

在卷積網路中加入 strides

計算卷積層輸出的尺寸

使用卷積

當卷積神經網路由多層堆疊（深度網路）構成時，能發揮更強的威力。本章將教你如何將多個卷積層堆疊成深度網路。你也會學到，隨著網路變大，如何追蹤並控制參數的數量。

更深入

建立深度學習網路

訓練深層 CNN 以分類服飾影像

深層網路有什麼特別之處？

有多少個參數？

CNN 中有多少參數？

深層 CNN 有多少參數？

池化運算

自己動手實作 pooling 運算

Keras 池化層

訓練含池化層的深度 CNN 進行影像分類

更深入的網路

有許多方法可以改進神經網路的訓練效果。本章將著重於如何追蹤網路的表現，並探索改進卷積神經網路的各種作法。

追蹤學習進度

繪製學習曲線

使用已儲存的權重對測試集進行預測

正規化

在你的網路中加入 dropout

在你的網路中加入批次正規化

解讀模型

從已訓練的網路擷取卷積核

權重的形狀

視覺化卷積核的回應

下一步

理解並改進深度卷積網路

影像建模常需要深度學習方法，利用資料來訓練神經網路演算法，以處理各種機器學習任務。卷積神經網路（CNN）特別強大，你將用它來為影像分析中的各種物體進行分類。本課程長度為 4 小時，會教你如何使用 Keras 建立、訓練並評估 CNN。

Introduction to Deep Learning with Keras

學習使用Keras和Python構建、訓練及評估卷積神經網絡來分析影像數據。

使用 Keras 進行影像建模

影像處理 使用 Python

Keras 基礎

權重的形狀

使用 Keras 進行影像建模

動手互動練習