cnn模型建立池化层代码

以下是用Keras建立CNN模型时添加池化层的代码示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 初始化模型
model = Sequential()

# 添加卷积层
model.add(Conv2D(filters=32, kernel_size=(3, 3), activation='relu', input_shape=(64, 64, 3)))

# 添加池化层
model.add(MaxPooling2D(pool_size=(2, 2)))

# 添加 Flatten 层
model.add(Flatten())

# 添加全连接层
model.add(Dense(units=128, activation='relu'))

# 添加输出层
model.add(Dense(units=1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

这段代码中，我们使用了Keras库建立了一个简单的CNN模型，其中`MaxPooling2D`函数表示添加一个2x2的池化层，`pool_size`参数指定了池化窗口的大小。在模型训练过程中，池化层可以帮助减少特征图的大小，从而减少模型参数，加快训练速度，并且可以有效避免过拟合。