Introduction

使用 CIFAR-10) 資料集，這個資料集包含了 8000 萬張圖像，已經分類成不同的類別。

CNTK Python API

捲積層：

def Convolution(filter_shape,        
                num_filters,         
                activation,          # 激活函式
                init,                
                pad,                 
                strides)             
)

池化層(pooling layer)作用是減少上一層輸出的大小，甚至控制輸出的大小，以加快處理速度。

# 最大化(Max pooling)
def MaxPooling(filter_shape,  
               strides,       
               pad)           

# 平均化(Average pooling)
def AveragePooling(filter_shape,  
                   strides,       
                   pad)           

捨棄層(dropout layer)是一種防止過度擬合(overfitting)的方法，例如隨機捨棄 50% 的節點，是一種簡單的方式。

def Dropout(prob)    # 捨棄機率

批次正規化(Batch normalization)是一種讓每一層的輸入值平均為 0，標準差為 1 的方法，目標是讓神經網路更快的收斂。

def BatchNormalization(map_rank)