if u have any opnion or problem . pls mail or mess me every source are open to learing or create new proj . i am no very skill so hope you be patiend to teach me thank
https://www.microsoft.com/en-us/download/details.aspx?id=54765
卷積就是將原始圖片與設定的濾鏡(feature detector)進行卷積運算，你也可以將卷積運算看成是原始圖片濾鏡特效的處理，每一個濾鏡(卷積核)都會以亂數處理的方式產生不同的卷積運算，因此可以得到不同的濾鏡特效效果，增加圖片的數量
卷積層通過一個小的濾波器（濾鏡）（或卷積核）在輸入數據上滑動，進行點積運算，生成特徵圖（Feature Map）。卷積操作的步驟如下：
- 選擇濾波器：濾波器是一個小矩陣，通常比輸入數據要小（例如 3x3 或 5x5 的矩陣）。
- 滑動濾波器：從輸入數據的左上角開始，濾波器在數據上逐步滑動。
- 點積運算：濾波器與當前覆蓋的輸入數據區域進行逐元素的點積運算，然後將結果求和。
- 生成特徵圖：每次點積運算的結果會填入特徵圖中的一個位置，最終生成特徵圖。
卷積核是一組參數，通常是一個小矩陣，它通過學習來檢測輸入中的特定特徵（如邊緣、紋理等）。每個卷積層可以包含多個卷積核，每個卷積核會生成一個特徵圖。
步幅決定了濾波器在輸入數據上滑動的步長。較大的步幅會導致較小的特徵圖，因為濾波器覆蓋的數據區域會減少。
填充是在輸入數據的邊緣添加額外的像素（通常是零），以保證濾波器可以完整覆蓋邊緣數據。常見的填充方式有：
- 無填充 (Valid)：不進行填充，導致輸出特徵圖變小。
- 全填充 (Same)：填充以保證輸出特徵圖的大小與輸入數據相同。
from keras.models import Sequential
from keras.layers import Conv2D
# 创建一个 Sequential 模型
model = Sequential()
# 添加一个卷积层
model.add(
Conv2D(
filters=10,
kernel_size=(3, 3),
padding = 'same',
activation='relu',
input_shape=(28, 28, 1)
)
)- filters:設定濾鏡(卷積核)個數，每一個filter都會產生不同的濾淨特效效果
- kernel_size:設定濾鏡(卷積核)大小(matrix)，一般為55或33*3的大小 (濾鏡(卷積核)，通常都是一個陣列的運算)
- input_shape:設定原始圖片的大小，(28,28,1)表示每一張圖片的大小為28*28
- activation:設定激勵函式，relu函式會將小於0的資訊設定為0
池化層（Pooling Layer）是卷積神經網絡（CNN）中的一種重要層，它用於減少特徵圖（feature map）的空間尺寸，同時保持重要的信息。這種操作能夠幫助減少計算量並防止過擬合。常見的池化層操作有：
- 平均池化（Average Pooling）：在每個池化窗口的區域內計算平均值。與最大池化不同，平均池化保留了區域內所有值的信息，但可能會丟失一些細節。
- 最大池化(Max Polling): 只挑出矩陣中最大的值，相當於只挑出圖片局部最明顯的特徵，這樣就可以所減卷積層產生的卷積運算圖片數量。
pool_size方法設定縮減的比率。
model.add(
MaxPooling2D(
pool_size = (2,2)
)以上面來說，原來10張(filters=10)2828(input_size=(28,28,1))的卷積運算圖片，經過pool_size=(2,2)的池化處理，就會得到10張1414的卷積圖片，如果使用pool_size=(4,4)的池化處理則會得到10張7*7的卷積運算圖片
