**数据增强**：在计算机视觉领域是一种非常强大的降低过拟合的技术。 * 从现有的训练样本中生成更多的训练数据，其方法是利用多种能够生成可信图像的随机变换来**增加**（augment）样本  **样本数量：** 对于初学者来说，相对于你所要训练网络的大小和深度而言 ***** 网络中特征图的深度在逐渐增大（从 32 增大到 128），而特征图的尺寸在逐渐减小（从 150×150 减小到 7×7）。这几乎是所有卷积神经网络的模式。 ***** ### 数据预处理： (1) 读取图像文件。 (2) 将 JPEG 文件解码为 RGB 像素网格。 (3) 将这些像素网格转换为浮点数张量。 (4) 将像素值（0~255 范围内）缩放到 \[0, 1\] 区间（正如你所知，神经网络喜欢处理较小的输入值）。 幸运的是，`Keras` 拥有自动完成这些步骤的工具。`Keras `有一个图像处理辅助工具的模块，位于 `keras.preprocessing.image`特别地，它包含`ImageDataGenerator`类，可以快速创建 `Python `生成器，能够将硬盘上的图像文件自动转换为预处理好的张量批量 ***** 为了进一步降低过拟合，你还需要向模型中添加一个`Dropout`层，添加到密集连接分类器之前 *****