- Keras中有一個層是Flatten層，這個層可以把二維的圖片轉換成一維的數據，因此不需要單獨做處理，而是在做完各種數據預處理后，用這個平層，把二維的數據處理成一維。
- Keras模型中有對數據進行分類，首先不是一定需要把所有的圖片都處理成正方形，長方形的圖片一樣可以進行各種處理，另外，壓縮成小的圖片是為了處理量小，快速方便，而不是因為一定要這么做，如果資源夠的話，那么就用原圖也可以。
- 神經網絡層的輸入必須是numpy數組，或者numpy數組組成的數組。只有這個格式的數據才可以輸入模型訓練，另外，輸入的X的矩陣中，各個維度的長度必須是相同的，不能出現每一行的維度不同，不然會報錯。
- 神經網絡中的loss函數的選擇不當，會導致在某些情況下報錯，因此要注意Loss函數的選擇。
- Keras神經網絡的兩大卡點應該是：1. 各種參數的設置。 2. 輸入數據的格式維度問題。
- 卷積神經網絡和一般的分類器略有不同，卷積神經網絡通過卷積核，能夠自動提取特征，不需要人工提取特征，因此省去了大量的特征提取工程，但是因此，CNN需要的數據量要遠高於神經網絡、邏輯回歸，SVM等數據分析。極端情況下，邏輯回歸，神經網絡，SVM等分類器只要模型足夠簡單，神經元個數較少，其實未必需要大量的樣本，也就是說邏輯回歸、神經網絡和SVM的模型可以很簡單。
- 圖像處理適合用CNN的方法解決。
- CNN的原理是通過卷積核來查找圖像某方面的特征，然后將這些特征輸入到模型里面去，和結果建立一種關系，因此是對特征的分類。
- CNN只需要輸入卷積核的個數和步長，模型就會自動生成卷積核，然后提取特征，不需要人為去設置卷積矩陣。