今天是中秋節，筆者在此祝大家中秋節快樂!今天會繼續完成昨天的建立模型，以及會開始進行訓練囉!那我們就開始啦~

前面1~3步驟請查閱[Day15]
4. 建立卷積層2與持化層2
分為兩部分講解，如下所示:

• 卷積層2
  我們為了要把原本的16個影像轉換為36個，請輸入以下程式碼:
  

注意!卷積運算時，我們所設定的參數padding='same'，由於不改變影像的大小，所以大小還是14X14
一樣逐一仔細講解程式碼:
* filters=36: 建立36個濾鏡filter weight
* kernel_size=(5, 5): 每一個濾鏡是5X5大小
* padding='same': 這串程式碼可以讓卷積運算所產生的卷積影像大小不變(如上所述)
* activation='relu': 設定激活函數ReLU

• 持化層2
  建立完卷積層2後，我們繼續建立持化層2，輸入以下指令:
  
  我們剛剛有輸入程式碼pool_size=(2, 2)，執行後可以將原本36個14X14影像縮小成7X7
  注意!接下來我們會再鍵入執行碼model.add(Dropout(0.25))，這樣可以去除25%的神經元，避免機器過度學習

5. 建立神經網路並查看摘要
   接下來我們要繼續建立神經網路(平坦層、隱藏層、輸出層)，分為三部分講解

• 平坦層
  建立平坦層需要鍵入指令，如下所示:
  
  我們剛剛有製作出了36個7X7的持化層2，請將它轉化為一維向量。計算長度為36X7X7=1764，這樣就可對應至1764神經元囉!

• 隱藏層
  輸入指令model.add(Dense(128, activation='relu'))可建立隱藏層，總共128神經元
  注意!與之前相同，再鍵入執行碼model.add(Dropout(0.5))，這樣可以去除50%的神經元，避免機器過度學習

• 輸出層
  輸入以下指令:
  
  藉由上述程式碼可看到，總共會有10個神經元對應至0~9，並使用softmax進行轉換
  

• 查看摘要
  鍵入程式碼print(model.summary())可查看模型摘要

進行訓練
今天我們還不會正式進入訓練的部分，但會先定義訓練的方法
訓練前，我們必須要先經過compile(編譯)的方法進行相關之設定，如以下程式碼所示:

透過此種方法需要輸入一些參數，如下所示:

1. loss函數
2. optimizer函數
3. metrics函數

明天會就上方的函數稍作解釋，就會開始進行訓練啦!明天繼續努力囉!

Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化