model = es el nucleo de información en una estructura profunda en keras, la forma más
simple es un modelo secuencial (Secuential), el cual es un agrupamiento lineal de las
capas de la red profunda. Para agregar estas capaz se requiere del comando .add() con los nombres y características de las capas.
Dense = esa una capa lineal en la salida de la capa. El primer parámetro es un número entero que las dimensiones de la capa.
Conv2D = crea una capa de neuronas convolucionada de dos dimensiones. El primer
parámetro es un número entero que indica la cantidad de filtros que tendrá la capa (cantidad de filtros de convolución de salida). El segundo parámetro se componen de una tupla de número enteros que indican el ancho y alto de la ventana de convolución 2D. El tercer parámetro (input_shape) indica las dimensiones de los datos de entrada (imagen), alto, ancho y profundidad (3).
Activation = determina la función de activacdión a utilizar en estas capas de neuronas
(softmx, relu, sigmoidal, selu, elu, softplus, softsign, tanh, hard_sigmoid, linear)
MaxPooling2D = esta capa realiza la reducción dimensional de la capa. El parámetro
pool_size es una tupla de los valore enteros que opera como un factor de reducción vertical y horizontal.
Dropout = consiste en establecer aleatoriamente una tasa fraccional de valores a la
entrada de la capa en 0 en iteración durante el tiempo de entrenamiento, lo que ayuda a prevenir el sobreajuste.
Flatten = este parámetro convierte la última capa en un vector.