TF Layers 教程：构建卷积神经网络
卷积神经网络的简介
卷积神经网络（CNNs{Convolutional Neural Networks}）是当前用户图像分类任务中最前沿的模型。CNNs 对图像的原始像素数据应用了一系列的过滤器，以提取和学习更高层次的特征，然后模型利用这些特征对图像进行分类。CNNs 主要包含下面三个组件：
-
卷积层，它表示应用在图像中卷积核的数量。对于图片的子区域，卷积层会执行一系列的数学变换，从而输出特征映射的值。卷积层一般情况下会使用 ReLU 做为激活函数来让模型引入非线性变换。
-
池化层，它是对卷积层提取出的图像数据进行下采样，作用是可以减少特征映射的维度，从而减少计算的时间。常用的池化算法是最大池化算法，它提取的像素值是池化窗口（e.g., 2x2-像素块）中值最大的，而子区域中其他的像素值则被抛弃。
-
稠密（全连接）层，在经过卷积层和池化层的采样后，全连接层就可以对特征进行分类了。具体来说，在全连接层中，层中的每个节点都与上一层的结点相连。
一般来说，CNN 是通过多层卷积模块来提取特征的。每一个模块都包含一个卷积层，后面跟着一个池化层。最后一个卷积模块后面跟着一层或者多层的全连接层来获得分类结果。CNN 中的最后一个全连接层结点的数量等于预测任务所有可能类别的数量，而这些结点的值通过 softmax 激活函数后会产生一个 0~1 的值（该层所有的结点值之和为 1）。这些 softmax 值可以解释为输入图片最有可能是属于哪个类别的概率。
注意：想要更深入了解 CNN 的架构，请看斯坦福大学的 卷积神经网络课程资料
