python设计一个模型架构它由三个CNN块两个全连接层和一个softmax函数组成。每个 CNN 模块由一个卷积层组成后跟一个批量归一化层、一个最大池化层和一个 ReLU 激活层。两个全连接层在CNN块之后添加。最后在最后一层添加softmax函数将任意神经信号转换为有效的置信度分数向量y

以下是Python代码实现：

import tensorflow as tf

# 定义CNN块
def cnn_block(inputs, filters):
    conv_layer = tf.keras.layers.Conv2D(filters=filters, kernel_size=(3, 3), padding='same')(inputs)
    norm_layer = tf.keras.layers.BatchNormalization()(conv_layer)
    pool_layer = tf.keras.layers.MaxPooling2D(pool_size=(2, 2))(norm_layer)
    relu_layer = tf.keras.layers.ReLU()(pool_layer)
    return relu_layer

# 定义模型架构
def cnn_model():
    inputs = tf.keras.layers.Input(shape=(28, 28, 1))
    cnn1 = cnn_block(inputs, 32)
    cnn2 = cnn_block(cnn1, 64)
    cnn3 = cnn_block(cnn2, 128)
    flatten_layer = tf.keras.layers.Flatten()(cnn3)
    dense1 = tf.keras.layers.Dense(units=256, activation='relu')(flatten_layer)
    dense2 = tf.keras.layers.Dense(units=128, activation='relu')(dense1)
    outputs = tf.keras.layers.Dense(units=10, activation='softmax')(dense2)
    model = tf.keras.Model(inputs=inputs, outputs=outputs)
    return model

# 实例化模型
model = cnn_model()

# 查看模型结构
model.summary()

上述代码中，我们首先定义了一个函数 cnn_block() 来创建一个 CNN 块。该函数接受两个参数：输入层和卷积核的数量。它返回一个完整的 CNN 块，包括卷积层、批量归一化层、最大池化层和 ReLU 激活层。

接下来，我们使用这个函数创建了三个 CNN 块，分别包含32、64和128个卷积核。然后我们将这些块连接起来，并添加两个全连接层。最后，我们将一个 softmax 函数添加到输出层，以将神经信号转换为置信度分数向量。

最后，我们实例化了模型，并使用 summary() 方法查看了模型的结构