Python 如何使用两层基本CNN算法对剩余块进行编码；tensorflow.keras“；？

我用tensorflow.keras库构建了一个基本的CNN模型代码：

model = Sequential()

# First Layer
model.add(Conv2D(64, (3,3), input_shape = (IMG_SIZE,IMG_SIZE,1)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Second Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Third Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Fourth Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

# Fifth Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))

model.add(Flatten())

# Sixth Layer
model.add(Dense(64))
model.add(Activation("relu"))

# Seventh Layer
model.add(Dense(1))
model.add(Activation('sigmoid'))

现在，我想在第二层和第四层之间建立连接，以使用tensorflow.keras库实现剩余块

因此，我应该如何修改代码以实现这样的剩余块？

架构的剩余块如下所示：

您需要使用，因为顺序模型太有限。其在Keras的实施情况如下：

from tensorflow.keras import layers

def resblock(x, kernelsize, filters):
    fx = layers.Conv2D(filters, kernelsize, activation='relu', padding='same')(x)
    fx = layers.BatchNormalization()(fx)
    fx = layers.Conv2D(filters, kernelsize, padding='same')(fx)
    out = layers.Add()([x,fx])
    out = layers.ReLU()(out)
    out = layers.BatchNormalization()(out)
    return out

batchnormalization（）

图层不是必需的，但可能是提高其精度的可靠选项

x

还需要与

过滤器

参数具有相同数量的过滤器