设计一个对MNIST处理的CNN网络，网络结构和参数要求如下表，其中每一次 MaxPooling后都添加系数为0.25的 Dropout.

|层次|网络结构|参数要求|
|:-:|:-:|:-:|
|1|卷积层|卷积核大小为5x5，卷积核数量为32，激活函数为ReLU|
|2|MaxPooling层|池化核大小为2x2，步长为2|
|3|Dropout层|Dropout系数为0.25|
|4|卷积层|卷积核大小为5x5，卷积核数量为64，激活函数为ReLU|
|5|MaxPooling层|池化核大小为2x2，步长为2|
|6|Dropout层|Dropout系数为0.25|
|7|全连接层|神经元数量为512，激活函数为ReLU|
|8|Dropout层|Dropout系数为0.5|
|9|全连接层|神经元数量为10，激活函数为Softmax|

其中，输入为28x28的灰度图像，输出为10个类别的概率分布。

相关问题

tensorflow设计一个对MNIST处理的CNN网络，网络结构和参数要求如下表，其中每一次 MaxPooling后都添加系数为0.25的 Dropout.

网络结构：

| 层类型 | 输出形状 | 参数数量 |
| --- | --- | --- |
| 输入层 | (None, 28, 28, 1) | 0 |
| 卷积层，32个3x3的过滤器，ReLU激活函数 | (None, 26, 26, 32) | 320 |
| 最大池化层，2x2的池化窗口 | (None, 13, 13, 32) | 0 |
| Dropout层，0.25的丢弃率 | (None, 13, 13, 32) | 0 |
| 卷积层，64个3x3的过滤器，ReLU激活函数 | (None, 11, 11, 64) | 18496 |
| 最大池化层，2x2的池化窗口 | (None, 5, 5, 64) | 0 |
| Dropout层，0.25的丢弃率 | (None, 5, 5, 64) | 0 |
| 展开层 | (None, 1600) | 0 |
| 全连接层，128个神经元，ReLU激活函数 | (None, 128) | 204928 |
| Dropout层，0.5的丢弃率 | (None, 128) | 0 |
| 输出层，10个神经元，softmax激活函数 | (None, 10) | 1290 |

参数数量：218,034

代码实现：

import tensorflow as tf
from tensorflow.keras import layers

# 定义CNN网络结构
model = tf.keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Dropout(0.25),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

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

设计一个对MNIST处理的CNN网络，网络结构和参数要求如下表，其中每一次的MaxPooling后都添加系数为0.25的Dropout

层。

| 层级 | 名称 | 参数 |
|------|-------------|---------------------------------------|
| 1 | 卷积层 | 输入：28 x 28 x 1，卷积核：5 x 5 x 32 |
| 2 | 激活层 | 激活函数：ReLU |
| 3 | MaxPooling层 | 池化核：2 x 2，步长：2 |
| 4 | Dropout层 | 概率：0.25 |
| 5 | 卷积层 | 输入：14 x 14 x 32，卷积核：5 x 5 x 64 |
| 6 | 激活层 | 激活函数：ReLU |
| 7 | MaxPooling层 | 池化核：2 x 2，步长：2 |
| 8 | Dropout层 | 概率：0.25 |
| 9 | Flatten层 | |
| 10 | 全连接层 | 输出维度：128 |
| 11 | 激活层 | 激活函数：ReLU |
| 12 | Dropout层 | 概率：0.5 |
| 13 | 输出层 | 输出维度：10 |
| 14 | 激活层 | 激活函数：Softmax |

代码实现如下：

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

model = Sequential()

# 卷积层1
model.add(Conv2D(32, (5, 5), input_shape=(28, 28, 1)))
model.add(Activation('relu'))

# MaxPooling层1
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Dropout(0.25))

# 卷积层2
model.add(Conv2D(64, (5, 5)))
model.add(Activation('relu'))

# MaxPooling层2
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Dropout(0.25))

# Flatten层
model.add(Flatten())

# 全连接层1
model.add(Dense(128))
model.add(Activation('relu'))
model.add(Dropout(0.5))

# 输出层
model.add(Dense(10))
model.add(Activation('softmax'))

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

# 输出模型结构
model.summary()