model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3))) model.add(layers.MaxPool2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPool2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPool2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPool2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(512, activation='relu')) model.add(layers.Dense(1, activation='sigmoid')) model.compile(loss='binary_crossentropy', optimizer=optimizers.RMSprop(lr=1e-4), metrics=['acc']) model.summary()

这是一个基于卷积神经网络（Convolutional Neural Network，简称CNN）的图像二分类模型。它包含了多个卷积层和池化层，并以全连接层作为输出。模型的输入是一张大小为150x150，RGB三通道的图片，输出是一个二分类的概率值。优化器采用RMSprop，损失函数为二分类交叉熵，评估指标为准确率。可以看出，这是一个比较简单的CNN模型，适合用于图像分类任务中。