前言

昨天已經成功引入資料及了解了激勵函數作用，那我們今天實際來將這些運用進來吧。今天會用到的東西會跟Day15提及的很有相關，所以建議不熟悉的朋友們可以先去看看那天的文章，讓自己更熟悉後再繼續往下喔。

程式碼

1. 建立Sequential model

model = models.Sequential()

• 建立一個線性的層堆疊，適合於從頭到尾依次構建模型。
  • 我們可以將資料輸出來看看
  • 
  • 這張圖片顯示了使用 model.summary() 方法來查看模型結構的結果。從圖片中可以看出，模型結構的輸出是空的，而且所有參數數量（Total params, Trainable params, Non-trainable params）都是 0。這是因為在調用 model.summary() 方法之前，還沒有向模型中添加任何層。

2. 加入

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

• model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))：

  • 添加一個 2D 卷積層（Conv2D layer）。
  • 32 是卷積核（filters）的數量，表示這層會學習 32 個不同的卷積核。
  • (3, 3) 是卷積核的尺寸，表示每個卷積核的大小為 3x3。
  • activation='relu' 指定了激活函數為 ReLU（Rectified Linear Unit），常用於引入非線性。
  • input_shape=(28, 28, 1) 指定輸入圖像的形狀為 28x28 像素，且有 1 個通道（灰度圖像）。

• model.add(layers.MaxPooling2D((2, 2)))：

  • 添加一個 2D 最大池化層（MaxPooling2D layer）。
  • (2, 2) 指定池化窗口的大小為 2x2，這會在每個 2x2 的區域內取最大值，從而減少空間尺寸（寬度和高度）。

• model.add(layers.Conv2D(64, (3, 3), activation='relu'))：

  • 添加另一個 2D 卷積層，這次有 64 個卷積核，大小仍然是 3x3。
  • 激活函數仍然是 ReLU，但這層沒有指定輸入形狀，因為它自動接受來自前一層的輸出。

• model.add(layers.MaxPooling2D((2, 2)))：

  • 添加另一個 2D 最大池化層，池化窗口的大小仍然是 2x2。

• model.add(layers.Conv2D(64, (3, 3), activation='relu'))：

  • 添加第三個 2D 卷積層，這次同樣有 64 個卷積核，大小為 3x3，激活函數是 ReLU。

• 我們一樣輸出出來看看
  可以發現這次裡面已經不再是空的了，而且多了好幾層，在參數的地方也增加了很多不再是0了。

3. 加入 Flatten 層和全連接層

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

• model.add(layers.Flatten())：
  • 將多維的卷積層輸出展平為一維，以便於後續全連接層的處理。
  • 例如，輸入是形狀為 (batch_size, 3, 3, 64) 的張量，這層會將其轉換為形狀為 (batch_size, 3364) 的一維張量。
• model.add(layers.Dense(64, activation='relu'))：
  • 添加一個全連接層（Dense layer），包含 64 個神經元。
  • 使用 ReLU 激活函數，引入非線性。
• model.add(layers.Dense(10, activation='softmax'))：
  • 添加另一個全連接層，包含 10 個神經元，對應於 10 個類別（0-9）。
  • 使用 Softmax 激活函數，將輸出轉換為概率分佈。

最後一起輸出看看我們最後的Sequential長怎麼樣吧

結語

今天建立了這個模型是一個典型的卷積神經網路（CNN），用於處理手寫數字識別任務。模型包括多個卷積層和最大池化層，之後是展平層和全連接層。這些層的設計旨在逐步提取輸入圖像的特徵，並最終進行分類。那我們明天接著今天的內容繼續往下囉。