基于卷积神经网络的图像分类模型构建

该函数建立了一个基于卷积神经网络的模型。该模型包括两个卷积层和两个池化层，用于提取输入图像的特征。接着是一个展平层，将卷积层输出的特征展平成一维向量，然后通过两个全连接层进行分类。模型的激活函数为ReLU，并使用Dropout来防止过拟合。最后，模型使用adam优化器进行训练，并使用稀疏分类交叉熵作为损失函数。该模型适用于53类别的图像分类任务。

def build_model():
    model = Sequential()
    model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))
    model.add(MaxPooling2D((2, 2)))
    model.add(Conv2D(64, (3, 3), activation='relu'))
    model.add(MaxPooling2D((2, 2)))
    model.add(Flatten())
    model.add(Dense(256, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(128, activation='relu'))
    model.add(Dropout(0.5))
    model.add(Dense(53, activation='softmax'))
    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
    return model