写在前面的话
对于深度学习网络复现，很多最新论文不会将神经网络开源，但是又需要借用这个网络来解决自己的问题。所以根据论文的网络示意图来编写网络程序将是一个很重要的技能。深度学习能不能跑起来，一个是网络搭建，一个是训练样本的制作。在基础研究中，训练样本使用开源的几个数据集做测试，二训练网络并不是想要论文作者开源就能开源的，所以我们用keras来打开这扇大门。
什么是keras？
以上则是keras的百度百科介绍，可以说keras就是集成度超高的API调用工具，对于较复杂的网络层搭建，keras则可能一行代码就能实现。对论文的网络实验，或者测试，以tf、CNTK等网络框架做后端。由于它的高集成度，所以对于完成网络编写也是极大方便了研究人员。
一、任务分析
上图就是一个简单的卷积神经网络示意图，基本步骤是卷积-下采样-全连接-分类。本文即将以此网络示意图进行详细讲解根据网络图搭建神经网络。网络示意图的观看顺序，一般从左至右或者从上至下。此图是从左至右，可以从整体上看，首先查看网络的输入和输出为格式32*32的图片与对应的10个分类。在网络设计中，首先了解网络的输入输出是一个较为重要的步骤，关系到后续网络层的设计。如果弄错输入格式，网络很有可能要从新设计。
二、详细方案
1、下图就是网络设计的第一层，输入+卷积。图中涉及到的参数有INPUT格式32X32，以及输入到下一层的关系为卷积，卷积的滤波器个数为6个，滤波器的尺寸大小为5X5，以及从32X32图片到28X28的格式则在卷积时不会使用填充这一操作，图中能获取的参数就是这些，但是还有一些没有的参数，例如，激活函数，一般对照着论文就能知道这些参数。
model.add(Conv2D(filters=6, #对应图中6个模板，也就是6个filter
kernel_size=(5,5), #对应的5*5的尺寸
padding='valid', #对应图中32*32的图片缩小到28*28，所以这个参数对应的是valid
input_shape=(32,32,1), #对应左边的INPUT，输入一张图片
activation='relu')) #对于cnn常用的激活函数relu
2、第二步则从图中看到是做下采样操作，尺寸由28X28减到14X14，缩小一半，在网络中对应的是池化（pooling）操作。图中，subsampling则为下采样，代码中使用池化操作。池化也是特征提取的一个过程，所以此层输出的特征图为14X14格式，特征图个数为6。并且整个池化过程相较于卷积更为简单，参数相对也少了很多。
model.add(MaxPooling2D(pool_size=(2, 2))) #降采样用最大池化操作，池化尺寸2*2也就是将图片缩小一半
3、接下来是卷积层参数是使用16个5X5的滤波器，卷积层输出为16个10X10的特征图。
model.add(Conv2D(filters=16, #对应图中16个滤波器
kernel_size=(5,5), #对应图中的5*5的尺寸
padding='valid', #对应图中14*14的图片缩小到10*10
activation='relu')) #对于cnn常用的激活函数relu
4、继续下采样，10X10的图片缩小到5X5，滤波器数量为16
model.add(MaxPooling2D(pool_size=(2, 2)))
#降采样用最大池化操作，池化尺寸2*2也就是将图片缩小一半
5、第五层到输出层将放在一起做代码详解，可以看到从2维图片格式变为1维向量就在这一步实现，在keras里也是一个API即可完成这一步骤，剩下的作用则就是全连接+分类。
model.add(Flatten())
# 全连接，120
model.add(Dense(120, activation='relu'))
model.add(Dropout(0.5)) #避免过拟合
# output layer
model.add(Dense(10,activation='softmax')) #分类常用激活函数。
以上则是整个完整方案详解。需要对网络原理进行了解的请关注后续的更文。
三、总结
作为论文的网络复现，用keras进行验证、创建网络是十分方便的，需要后续的产品输出也有强大的tensorflow做后端，不愁将自己的ideal实现成产品。本文的目的旨在抛砖引玉，实际小编在论文中接触到的网络复杂的多，但是万变不离其宗，后续的不管是更复杂的操作，在keras中表现形式一般就是一个参数的调动，或者就是更新的API函数，只要细读keras文档，都能找到对应功效的网络层操作。此处附上keras的中文文档：https://keras.io/zh/
