from?keras.models?import?Sequential?#初始化神經(jīng)網(wǎng)絡(luò)的
from?keras.layers?import?Convolution2D?#在初始化時(shí)，幫我們創(chuàng)建卷積層
from?keras.layers?import?MaxPooling2D?#池化層
from?keras.layers?import?Flatten?#扁平層
from?keras.layers?import?Dense?#全連接層
#
#?初始化CNN
classifier?=?Sequential（）




#?#?Step?1?-?添加卷積層

classifier.add（Convolution2D（32?3?3?input_shape?=?（64?64?3）?activation?=?‘relu‘））
???
#?filters?特征探測(cè)器的個(gè)數(shù)?一般是64?/32?過(guò)大的話?運(yùn)算時(shí)間會(huì)非常長(zhǎng)
#kernel_size??特征探測(cè)器的大小?3*3
#activation?激活函數(shù)??線性整流函數(shù)?relu
#這是添加的第一個(gè)卷積層?要寫(xiě)清楚輸入圖像的大小??input_shape（）?64*64?像素大小??3的意思是彩色圖片









#?#?Step?2?-?最大池化
#可以做到降維??降維之后進(jìn)而扁平化
#雖然丟失了一些信息?但是不會(huì)太影響性能
#pool_size???最大池化的矩陣大小??2*2最常用
classifier.add（MaxPooling2D（pool_size?=?（2?2）））
#！！！！！！！！！！！！！！！！！！！！！！！！！！！?提高性能
#！！！！！！！！！！！！！！！！！！！！！！！！！！！！！
#添加第二個(gè)卷積層
#?class