使用 Keras Sequential 模型构建卷积神经网络 (CNN) - 代码示例与解释

以下是使用 Keras Sequential 模型构建卷积神经网络 (CNN) 的代码示例，并对代码进行了详细的解释：

model = models.Sequential()
model.add(conv_base)
model.add(Flatten())
model.add(Dense(1024, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(512, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.summary()

代码解释：

1. model = models.Sequential(): 创建一个 Sequential 模型的实例。Sequential 模型是一种线性堆叠层的模型，适合构建简单的 CNN 结构。

2. model.add(conv_base): 将预训练的 VGG16 模型 conv_base 作为第一个层添加到模型中。conv_base 被用作特征提取器，从输入图像中提取特征。

3. model.add(Flatten()): 添加一个 Flatten 层，将 conv_base 输出的多维特征展平为一维向量，以便输入到全连接层。

4. model.add(Dense(1024, activation='relu')): 添加一个全连接层，该层有 1024 个神经元，并使用 ReLU 激活函数。该层对展平后的特征进行进一步的特征学习。

5. model.add(Dropout(0.3)): 添加一个 Dropout 层，随机丢弃部分神经元，以防止过拟合。

6. model.add(Dense(512, activation='relu')): 添加另一个全连接层，该层有 512 个神经元，并使用 ReLU 激活函数。

7. model.add(Dense(10, activation='softmax')): 添加一个输出层，该层有 10 个神经元，并使用 softmax 激活函数。softmax 激活函数将输出转换为概率分布，用于多类别分类问题。

8. model.summary(): 打印模型的概述，包括每个层的名称、输出形状和参数数量。

总结：

这段代码展示了如何使用 Keras Sequential 模型构建一个简单的 CNN，并利用预训练的 VGG16 模型作为特征提取器。通过添加 Flatten 层、全连接层和 Dropout 层，模型可以有效地从图像数据中提取特征并进行分类。