+ CNNニューラルネットワークモデル訓練概要：

1. Keras平坦化層は、層を有し、この層は、一次元、二次元画像データに変換することができるので、別のプロセスを必要としないが、前処理後に行う各種のデータ、平坦層と、二次元一次元データ処理。
2. Kerasモデルは、データを分類するために持っている、すべての最初必ずしもすべての画像を配置する必要がありません、正方形に加工しているのと同じ絵の矩形はほかに、様々な処理を施すことができ、小さな画像に圧縮し、小さな迅速かつ簡単に、そしてないに対処するためでありますそれはそうしなければならないため、十分なリソース場合は、アートワークを使用することができます。
3. ニューラルネットワークの入力層はnumpyのアレイ、またはアレイnumpyの配列でなければなりません。のみ、このデータ形式は、モデルのトレーニングに入ることができる前に、加えて、入力行列Xは、各次元の長さは同じである必要があり、各ラインの異なる寸法を表示されないか、またはエラーであろう。
4. それはいくつかのケースでエラーにつながる、適切にニューラルネットワークの損失関数を選択し、その損失関数を選択するように注意を払います。
5. 2つのカードのポイントKerasニューラルネットワークは、次のようになります。様々なパラメータを設定するために、1。2.データ形式の問題の大きさを入力します。
6. 畳み込みニューラルネットワーク分類器および畳み込みカーネルによって一般わずかに異なるニューラルネットワーク畳み込みは自動的にこのように、特徴抽出プロジェクトの多数を排除し、機能を手動で抽出することなく、特徴を抽出することができるが、それゆえ、CNNがデータを必要量は、ニューラルネットワーク、ロジスティック回帰、SVMおよび他のデータ分析よりもはるかに高いです。極端な場合、ロジスティック回帰、ニューラルネットワーク、SVM分類器と限りモデルは、十分に単純であるニューロンの数が少ないが、必ずしも多くのサンプルを必要としないように、それは非常に単純なことができロジスティック回帰、ニューラルネットワークやSVMモデルを言うことです。
7. CNNは、適切な画像処理方法を用いて解決しました。
8. CNNの原理は内部に行き、結果は関係を確立するためにモデルにこれらの機能入力、その後、畳み込みカーネルによる画像特徴のいくつかの方法を見つけることですので、分類された機能です。
9. CNNのみ畳み込みカーネルとステップの数を入力する必要があり、モデルが自動的にコンボリューション・カーネルを生成し、次いで、特徴、コンボリューション行列を設定するためのない人間を抽出します。