在这篇文章中，将探讨如何利用KNIME分析平台构建一个深度学习网络，以对手写数字进行分类。KNIME分析平台是一个开源软件，它允许用户通过拖放式的界面创建数据科学工作流，而无需编写代码。这些工作流易于理解和与其他用户共享。
在灰度数字图像格式中，图像被表示为基于光强度（0-1）的像素值数值矩阵，其中1代表照亮的像素（白色），0代表暗像素（黑色），介于两者之间的数字代表不同级别的灰色（图2）。MNIST数据集中的图像以灰度格式提供。
CNN是一个至少包含一个卷积层的网络（图3）。卷积层的任务是从图像中提取特征。在CNN中，通常会堆叠多个卷积层以提取一系列特征。第一层卷积层学习提取低级特征，如斑点和边缘。这些特征随后被下一个卷积层用来提取中级特征，例如案例中的数字部分。这些中级特征最终被用来提取高级特征，如数字本身。
卷积层的目标是学习识别图像中的特征。为此，它使用一组核心，也称为过滤器。每个核心是一个矩阵或张量，其权重针对提取特定特征的任务进行了定制。
为了应用过滤器并提取特征，核心（比图像小得多）被放置在图像块上。然后计算卷积操作，并应用非线性激活函数。如果特征在图像块中，则产生高值；如果不在图像块中，则产生小值。核心通过根据步幅长度（图4a）在图像上移动，从块到块进行平移。
卷积层通常后面跟着一个池化层。池化层对于提取主导特征的同时减少图像的空间大小至关重要。池化层还在输入矩阵的块上操作，其中它应用最大池化或平均池化操作。在最大池化的情况下（图4b），只传递块的最大值到输出；在平均池化的情况下，计算块的平均值并传递到输出。池化层需要两个参数——块/池大小和步幅。大小指的是块的大小，步幅指的是移动到下一个块时的步长。这两个参数都影响空间大小的减少。
密集层通常是最后几层，实现分类器，即它们学习根据选定的损失函数将类别（在例子中是数字）与它们的输入关联起来。
KNIME深度学习Keras集成允许在KNIME分析平台上使用Keras库训练深度学习模型。拖动任务特定的深度学习节点并将它们连接成管道，以构建解决方案工作流。
KNIME深度学习Keras集成特别强大，因为它结合了KNIME GUI的易用性和Keras深度学习库的广泛覆盖。将使用图5中显示的节点来构建CNN。
现在，让开始构建一个用于数字分类的CNN。在图6中，有一个带有神经网络架构的工作流。左下角的节点提供了训练和测试集的图像以及数字标签。工作流的上半部分显示了网络的架构：一个卷积层，一个最大池化层，一个展平层和两个用于分类的密集层。
卷积层：32个核心/过滤器，3×3核心大小，步幅=1，ReLU激活函数