使用Keras建立簡單的CNN模型
Keras建立模型有三種方法：1.Sequential 2.Funciton API 3.自定義

我們用第一種Sequential，然後對model.add一層一層的增加Layer
CNN會有卷積層、池化層、全連接層
這些名詞第一次聽到會很陌生，要全部搞懂需要把論文、微積分、線性代數讀通，所以我們以潛白的話語來形容

建立模型
model = Sequential()

卷積層：
Convolution2D：Convolution是卷積，因為圖片是二維，所以叫2D
batch_input_shape：輸入的向量格式，None就是之前-1的意思，1代表channel（灰階為1，RGB為3），28,28是長寬
filters過濾器ㄤ像是機器的圖形識別器，一開始隨機產生，有的是識別直線、橫線、斜線等等，經過訓練後，去偵測圖的紋理特徵
kernel_size：每個filter的大小，通常會用5x5或3x3，設定5或3，經驗上效果最好
strides：filter去掃這張圖時，每次跨一步，橫向每次跨一步，橫向掃完後依序往直向跨一步，直到整張圖掃完
padding：'same'會在這張圖周圍補白邊，這樣用5x5或3x3掃圖完後，掃出來的圖的大小才會與原圖一樣大
data_format：channels_first就會是(None, 1, 28, 28)，如果channels_last就會是(None, 28, 28, 1)，這在GPU運算上速度會有差別

model.add(Convolution2D(
    batch_input_shape=(None, 1, 28, 28),
    filters=32,
    kernel_size=5,
    strides=1,
    padding='same',     # Padding method
    data_format='channels_first',
))

卷積完，通常會做激勵函數relu，正數保持原數、負數會變成0，圖片的神經網路通常正數才是我們要的參數，幫助神經網路提高效率、減少不必要的計算
model.add(Activation('relu'))

然後做一個池化層
MaxPooling2D：最大池化層
pool_size=2：想像每2x2的像素，四個像素中哪個數字最大，就保留這格的值
strides=2：每次跨兩步，輸入張量會變成原來的一半。想像整張照片會縮小成原來寬的1/2、長的1/2

model.add(MaxPooling2D(
    pool_size=2,
    strides=2,
    padding='same',
    data_format='channels_first',
))

以上「卷積層、激勵函數、池化層」可以重複好幾次，不斷去抽取特徵，從最小的紋理、到逐漸變大的局部特徵（例如一開始的線條紋理，後面則是眼睛、鼻子、車燈、杯子等大特徵）

全連接層
我們會把向量先壓扁，從2D變成1D一長串的向量

model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('relu'))

然後我們最後會預測問題是分類的問題，例如數字是0~9共十個分類，因此接一個Dense10，並且用softmax作為multi-class的分類問題（這些名詞未來會說明）

model.add(Dense(10))
model.add(Activation('softmax'))