(十三)人工智能应用--深度学习原理与实战--理解卷积神经网络的原理及优势

卷积神经网络（convnet）是目前在计算机视觉任务中占主导地位的神经网络类型，本章节通过案例来学习卷积神经网络的原理（重点是卷积层的结构及作用），以及它为什么在计算机视觉任务中取得巨大成功（即卷积神经网络的优势）。

主要学习内容为：

a) 理解和掌握券积的原理、作用及参数
b) 理解和掌握池化的作用、参数及类型
c) 理解Dropout层的作用和用法
d) 理解和掌握券积神经网络的优势
e) 掌握使用Keras搭建券积神经网络的方法、
f) 掌握券积层、池化层的定义与使用

通过对本案例的学习，可以达到以下目的:

1）卷积神经网络实现MNIST手写数字识别
2）理解卷积层的结构、作用及参数
3）理解池化的概念及作用
4）理解Dropout层的作用
5）理解卷积神经网络的优势

一、卷积神经网络的经典结构

经典卷积神经网络的结构一般满足下面的表达式：

输入→{卷积层（1_{多个）→池化层（0}多个）或Flatten层（压平数组，交给全连接层）}→全连接层（1~个）→输出

不同于全连接网络中只有全连接层（Dense层）&