Keras 卷积神经网络模型构建教程：图像分类

这是一个使用 Keras 构建的卷积神经网络模型，目标是对输入的 224x224 像素的图片进行分类，共有 53 个类别。模型包括 4 个卷积层和 4 个最大池化层，以及一个全连接层和一个输出层。其中使用了 relu 激活函数和 dropout 技术来增强模型的鲁棒性。模型使用 adam 优化器和 sparse_categorical_crossentropy 损失函数来进行训练，并使用准确率作为评估指标。

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(Conv2D(128, (3, 3), activation='relu'))
    model.add(MaxPooling2D((2, 2)))
    model.add(Conv2D(128, (3, 3), activation='relu'))
    model.add(MaxPooling2D((2, 2)))
    model.add(Flatten())
    model.add(Dense(512, 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