利用keras.layers.Dense()函数处理的方式属于DNN的方式，Deep neural network 又名Fully connected （FC） layers，densely connected layers，multilayer perceptron （MLP）
CNN为卷积神经网络，它能够提取图像的关键信息，相比于DNN，它的权值共享结构降低了网络模型的复杂度，减少了权值的数量。CNN对平移、缩放、倾斜等变形具有一定的不变性。采样不会改变实体。
Conv2D 函数的主要参数包括：
- filters：整数，表示卷积核（滤波器）的数量，也是该层输出的通道数。
- kernel_size：整数或元组，指定卷积核的大小，通常为 (3, 3) 或 (5, 5)。
- strides：整数或元组，表示卷积核在输入上的移动步幅。
- padding：字符串，可以是 “valid”（不使用零填充）或 “same”（使用零填充）。
- activation：指定该层的激活函数，如 “relu”、“sigmoid” 等。
- input_shape：输入数据的形状，通常在模型的第一层中使用。
- data_format：字符串，可以是 “channels_last”（通道在最后）或 “channels_first”（通道在前）。
MaxPooling2D 函数的主要参数包括：
- pool_size：整数或元组，指定池化窗口的大小，通常为 (2, 2)。
- strides：整数或元组，表示池化窗口的移动步幅。
- padding：字符串，可以是 “valid”（不使用零填充）或 “same”（使用零填充）。
- data_format：字符串，可以是 “channels_last”（通道在最后）或 “channels_first”（通道在前）。
Dense 函数的主要参数包括：
- units：整数，表示该层的输出维度，也就是该层的神经元数量。
- activation：指定该层的激活函数，常用的包括 relu、sigmoid、softmax 等。
- use_bias：布尔值，决定是否在该层中使用偏差项。
- kernel_initializer：用于初始化权重的方法，常见的有 glorot_uniform 和 he_normal。
- bias_initializer：用于初始化偏差项的方法。
- kernel_regularizer：权重正则化方法，用于防止过拟合。
数据增强
- 可以通过旋转、平移、缩放来改变原图像的样貌，从而形成更多的数据，让训练集更加丰富，这种行为被称为数据增强。
- 数据增强可以减小过拟合的情况，得到我们所需泛化的效果。
