def build_model(): inputs = DenseNet121(input_shape=(400,400,3),weights='imagenet',include_top=False) #add a global spatial average pooling layer x = inputs.output x = GlobalAveragePooling2D()(x) #add a fully-connected layer x = Dense(256,activation='relu')(x) x = Dropout(0.5)(x) #add a logistic layer outputs = Dense(6,activation='softmax')(x) #this is the model we will train model = Model(inputs=inputs.input,outputs=outputs) #train only the top layer for layer in inputs.layers: layer.trainable = False return model

这段代码是用来构建一个深度学习模型的函数。它使用了 DenseNet121 作为预训练模型，并在其之上添加了全局平均池化层、一个全连接层和一个输出层。这个模型的输入大小是 400x400x3，输出大小是 6，使用 softmax 作为激活函数。在训练模型之前，代码还冻结了 DenseNet121 的所有层，只训练了新增的层。这样可以利用预训练模型的特征提取能力，加速模型训练，并提高模型的泛化能力。