**：
1.con1d
keras.layers.convolutional.conv1d(filters, kernel_size, strides=1, padding='valid',
dilation_rate=1, activation=none, use_bias=true,
kernel_initializer='
glorot_uniform
', bias_initializer='
zeros',
kernel_regularizer=none, bias_regularizer=none, activity_regularizer=none,
kernel_constraint=none, bias_constraint=none)
一維卷積層（即時域卷積），用以在一維輸入訊號上進行鄰域濾波。當使用該層作為首層時，需要提供關鍵字引數input_shape。例如(10,128)代表乙個長為10的序列，序列中每個訊號為128向量。而(none, 128)代表變長的128維向量序列。
該層生成將輸入訊號與卷積核按照單一的空域（或時域）方向進行卷積。如果use_bias=true，則還會加上乙個偏置項，若activation不為none，則輸出為經過啟用函式的輸出。
常用：
*可以將convolution1d看作convolution2d的快捷版，對例子中（10，32）的訊號進行1d卷積相當於對其進行卷積核為（filter_length, 32）的2d卷積。
//以上這一句涉及到在1d的情況下的卷積計算過程。
2.conv2d
keras.layers.convolutional.conv2d(filters, kernel_size, strides=(1, 1),padding='
valid
', data_format=none, dilation_rate=(1, 1), activation=none,
use_bias=true, kernel_initializer='
glorot_uniform
', bias_initializer='
zeros',
kernel_regularizer=none, bias_regularizer=none, activity_regularizer=none,
kernel_constraint=none, bias_constraint=none)
二維卷積層，即對影象的空域卷積。該層對二維輸入進行滑動窗卷積，當使用該層作為第一層時，應提供input_shape引數。例如input_shape = (128,128,3)代表128*128的彩色rgb影象（data_format='channels_last'）
//1d多用來對序列資料處理，比如自然語言和語音。2d多用來做影象。
3.最大池化1d層
keras.layers.pooling.maxpooling1d(pool_size=2, strides=none, padding='valid
')
4.最大池化2d層
keras.layers.pooling.maxpooling2d(pool_size=(2, 2), strides=none, padding='valid
', data_format=none)
5.flatten展平
keras.layers.flatten(data_format=none)
data_format：乙個字串，其值為channels_last（預設值）或者channels_first。
model =sequential()model.add(conv2d(64, (3, 3),
input_shape=(3, 32, 32), padding='
same
',))
#現在：model.output_shape == (none, 64, 32, 32)
model.add(flatten())
#現在：model.output_shape == (none, 65536)
//給的這個例子輸入維度中第一維是通道。
6.input
keras.engine.input_layer.input()
卷積神經網路池化層和卷積層作用
個人覺得主要是兩個作用 1.invariance 不變性 這種不變性包括translation 平移 rotation 旋轉 scale 尺度 2.保留主要的特徵同時減少引數 降維，效果類似pca 和計算量，防止過擬合，提高模型泛化能力 1 translation invariance 這裡舉乙個直...
卷積神經網路 池化層
池化層的作用 增加平移不變性 降取樣，即降維 增大感受野 平移的不變性是指當我們對輸入進行少量平移時，經過池化函式後的大多數輸出並不會發生改變。區域性平移不變性是乙個有用的性質，尤其是當我們關心某個特徵是否出現，而不關心它出現的具體位置時。保留主要特徵的同時減少引數和計算量，防止過擬合，提高模型泛化...
卷積層以及池化層的輸出維度
一 輸入的四個維度 2 height weight 的高和寬。3 channels 的通道數，黑白 就是1，rgb就是3。例如我們的輸入是x 333，28，28，3 則代表我們有333個寬和高都是28的黑白 單通道 二 卷積核的四個維度 1 height weight 卷積核矩陣的維度 2 inch...