构建卷积神经网络模型的 Python 函数 - def build_model()

该函数 def build_model() 用于构建一个卷积神经网络模型。它使用 Sequential() 函数创建一个序列模型。然后，添加四个卷积层 (Conv2D)，每个层具有不同的卷积核数量和大小，并使用 ReLU 激活函数。每个卷积层之后都添加了一个最大池化层 (MaxPooling2D)，用于减小特征的空间尺寸。

接下来，将一个扁平化层 (Flatten) 添加到模型中，将卷积层的输出展平成一个一维向量。然后，添加两个全连接层 (Dense)，第一个具有 512 个神经元，并使用 ReLU 激活函数。在第一个全连接层之后，添加一个 Dropout 层，以防止过拟合。

最后，添加一个具有 53 个神经元的输出层，并使用 Softmax 激活函数进行多类别分类。模型的优化器使用 Adam 算法，损失函数使用稀疏分类交叉熵 (sparse_categorical_crossentropy)，评估指标使用准确度 (accuracy)。

以下是代码的详细解释：

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

此函数构建一个 CNN 模型，可以用于处理大小为 224x224 的彩色图像。模型使用四个卷积层和最大池化层进行特征提取，然后使用两个全连接层进行分类。最后，使用 Softmax 激活函数输出 53 个类别的概率。

此模型可以使用 model.fit() 函数进行训练，并使用 model.evaluate() 函数进行评估。