神经网络+CNN模型训练总结：

标签：维度   方法   设置   特征   分析   数组   逻辑回归   转换   输入   

1. Keras中有一个层是Flatten层，这个层可以把二维的图片转换成一维的数据，因此不需要单独做处理，而是在做完各种数据预处理后，用这个平层，把二维的数据处理成一维。
2. Keras模型中有对数据进行分类，首先不是一定需要把所有的图片都处理成正方形，长方形的图片一样可以进行各种处理，另外，压缩成小的图片是为了处理量小，快速方便，而不是因为一定要这么做，如果资源够的话，那么就用原图也可以。
3. 神经网络层的输入必须是numpy数组，或者numpy数组组成的数组。只有这个格式的数据才可以输入模型训练，另外，输入的X的矩阵中，各个维度的长度必须是相同的，不能出现每一行的维度不同，不然会报错。
4. 神经网络中的loss函数的选择不当，会导致在某些情况下报错，因此要注意Loss函数的选择。
5. Keras神经网络的两大卡点应该是：1. 各种参数的设置。 2. 输入数据的格式维度问题。
6. 卷积神经网络和一般的分类器略有不同，卷积神经网络通过卷积核，能够自动提取特征，不需要人工提取特征，因此省去了大量的特征提取工程，但是因此，CNN需要的数据量要远高于神经网络、逻辑回归，SVM等数据分析。极端情况下，逻辑回归，神经网络，SVM等分类器只要模型足够简单，神经元个数较少，其实未必需要大量的样本，也就是说逻辑回归、神经网络和SVM的模型可以很简单。
7. 图像处理适合用CNN的方法解决。
8. CNN的原理是通过卷积核来查找图像某方面的特征，然后将这些特征输入到模型里面去，和结果建立一种关系，因此是对特征的分类。
9. CNN只需要输入卷积核的个数和步长，模型就会自动生成卷积核，然后提取特征，不需要人为去设置卷积矩阵。 

神经网络+CNN模型训练总结：

标签：维度   方法   设置   特征   分析   数组   逻辑回归   转换   输入   

原文地址：https://www.cnblogs.com/lhongly/p/11106444.html