卷积神经网络利用图像中所表示的数据来学习。本章将探查图像中的数据，并学习如何使用 Keras 训练神经网络，对图像中出现的对象进行分类。

卷积神经网络简介

作为数据的图像：可视化

图像即数据：更改图像

图像分类

使用独热编码表示图像

评估分类器

使用 Keras 进行分类

构建神经网络

编译一个神经网络

将神经网络模型拟合到服装数据

用于神经网络评估的交叉验证

用神经网络进行图像处理

卷积是卷积神经网络的基本构件。本章将向您介绍卷积，并讲解它们如何作用于图像数据。您还将学习如何在 Keras 神经网络中加入卷积。

卷积（Convolutions）

一维卷积

图像卷积

定义图像卷积核

在 Keras 中实现图像卷积

用于图像分类的卷积网络

训练 CNN 以分类服装类型

使用测试数据评估 CNN

微调您的卷积层

为 CNN 添加填充

为卷积网络添加步幅

计算卷积层输出的尺寸

使用卷积

当卷积神经网络由多层（深层网络）构成时，其能力会显著提升。本章将讲解如何将多层卷积层堆叠成一个深层网络。您还将学习在网络变深时如何统计参数数量，并掌控这一数量。

更深入

构建深度学习网络

训练深度 CNN 对服装图像进行分类

深层网络有什么特别之处？

参数有多少？

CNN 中有多少参数？

深层 CNN 有多少参数？

池化操作

编写您自己的池化操作

Keras 池化层

训练带池化层的深度 CNN 进行图像分类

更深入的网络

有许多方法可以改进神经网络的训练效果。本章将重点介绍如何跟踪网络的表现，并探讨改进卷积神经网络的多种途径。

跟踪学习进展

绘制学习曲线

使用已保存的权重在测试集上进行预测

正则化

为您的网络添加 dropout

为网络添加批量归一化

解读模型

从已训练的网络中提取卷积核

权重的形状

可视化卷积核的响应

下一步

理解并改进深层卷积网络

图像建模通常需要使用深度学习方法，通过数据来训练神经网络算法，以完成各类机器学习任务。卷积神经网络（CNN）是一类特别强大的神经网络，您将用它来对图像中的不同对象进行分类分析。本课程时长 4 小时，将带您学习如何使用 Keras 构建、训练并评估 CNN。

<h2>学习在 Python 中使用卷积神经网络</h2>
  图像模型通常需要使用数据训练神经网络的深度学习方法
  用于执行各种机器学习任务的网络算法。 卷积神经网络
  卷积神经网络（CNNs）是特别强大的神经网络，你将用它们来
  对图像进行分析时，对不同类型的对象进行分类。 这门四小时的
  课程将教你如何使用 Keras 构建、训练和评估 CNN。
  <br><br>
  将图像转化为数据，并教神经网络对其进行分类，是一项
  贯穿各领域的深度学习的极具挑战性的要素
  商业和研究，从帮助电子商务网站更好地管理库存开始
  轻松帮助癌症研究人员快速识别危险的黑色素瘤。
  <br><br>
  <h2>探索 Keras CNN</h2>
  本课程的第一章介绍了如何将图像视为数据，以及
  如何使用 Keras 训练神经网络来对中发现的对象进行分类
  图片。
  <br><br>
  第二章将介绍卷积，这是 CNN 的基础组成部分。 你将会
  了解它们如何处理图像数据，并学习如何训练和调整你的
  使用测试数据的 Keras CNN。 后面的章节会更详细地讲解，并教你
  如何创建深度学习网络。
  <br><br>
  <h2>构建你自己的 Keras 神经网络</h2>
  你将通过学习多种方式来跟踪如何结束课程
  了解卷积神经网络（CNN）的工作原理，以及如何提升其性能。 此时，你将能够构建 Keras 神经网络，对其进行优化，并进行可视化
  他们在各种应用中的响应。

Introduction to Deep Learning with Keras

学习使用Keras和Python构建、训练及评估卷积神经网络来分析图像数据。

使用 Keras 进行图像建模

图像处理 在 Python 中

Keras 基础知识

深层网络有什么特别之处？

使用 Keras 进行图像建模

动手互动练习