今天来看下CNN的具体调用流程，这里我们以图像分类的例子说明
CNN结构
其中：
mnist：获取数据。
to_categorical：进行one-hot编码。
后面的几个就是创建模型所需要的库。
这里我们重点说下模型构建：
Sequential：构建序列化容器，后面的所有层其实就都追加在该序列后了。
add：追加网络层。
Conv2D：添加2维卷积层，其中第一层32指的是32个滤波器，每个滤波器大小是（5，5），激活函数使用relu，input_shap需要指定图像尺寸，这里是高28、宽28、1通道图像。
MaxPool2D：池化层。
Flatten：多维数据转换为一维，多用于卷积到全连接层中间。
Dense：全连接层。
Dropout：降低过拟合风险。
模型训练的两个重要参数：
batch_size：训练多少样本更新一次参数，这里是每次训练100个样本更新一次权重参数。
epochs：数据集被用来训练多少轮，需要寻优，过多容易过拟合。
对于模型参数选择，需要看训练集和测试集的指标变化趋势，从指标变化图来确定最优参数组合。
