Deep learning 如何避免Keras中的扁平化（）

我正在使用Keras进行图像分类。 这是我的模型：

model=Sequential（）
add（Conv2D（filters=8，kernel_size=（3,3），padding=‘Same’，
激活='relu'，输入_形状=（64,64,3）））
添加（MaxPool2D（池大小=（2,2）））
add（Conv2D（filters=16，kernel_size=（3,3），padding=‘Same’，
激活（='relu'））
添加（MaxPool2D（池大小=（2,2）））
add（Conv2D（filters=32，kernel_size=（3,3），padding=‘Same’，
激活（='relu'））
添加（MaxPool2D（池大小=（2,2）））
模型。添加（辍学（0.2））
model.add（展平（））
添加（密集（32，activation='relu'））
模型。添加（辍学（0.1））
model.add（稠密（3，activation=“sigmoid”）

扁平化很好

从某种意义上说，

变平

进入

密集

层的“空间”关系得到了保留。因为从特定位置映射到稠密层中相同权重的所有值。因此，每个点都在数据集中一致地映射。在卷积层中映射的“空间”关系正在寻找局部模式，在这些层中保持输入不变很重要