Python 从教学上讲，在这个CNN模型中，我可以识别多少层和哪些层？

该模型将接收图像的像素作为输入

def model(data):
        conv = tf.nn.conv2d(data, layer1_weights, [1, 2, 2, 1], padding='SAME')
        hidden = tf.nn.relu(conv + layer1_biases)
        conv = tf.nn.conv2d(hidden, layer2_weights, [1, 2, 2, 1], padding='SAME')
        hidden = tf.nn.relu(conv + layer2_biases)
        shape = hidden.get_shape().as_list()
        reshape = tf.reshape(hidden, [shape[0], shape[1] * shape[2] * shape[3]])
        hidden = tf.nn.relu(tf.matmul(reshape, layer3_weights) + layer3_biases)
        return tf.matmul(hidden, layer4_weights) + layer4_biases

---

问题是什么？您可以将代码转换为

卷积->relu->卷积->relu->重塑->线性->relu->线性

，这将生成两个卷积层和两个线性layers@silgon：有些（）会认为ReLU本身就是一个层。是的，根据观点，添加3

ReLU

。我只是不习惯在论文中将激活函数视为层。所以，这些是线性层？-->tf.matmul（隐藏，[shape[0]，shape[1]*shape[2]*shape[3]->tf.matmul（隐藏，layer4_权重）+layer4_bias问题是什么？你可以将你的代码翻译成

卷积->relu->卷积->relu->重塑->线性->relu->线性

，这将产生两个卷积层和两个线性layers@silgon：一些（）会认为ReLU本身构成了一个层。是的，根据观点，添加3

ReLU

。我只是不习惯在论文中将激活函数视为层。所以，这些是线性层？-->tf.重塑（隐藏，[形状[0]，形状[1]*形状[2]*形状[3]]）-->tf.matmul（隐藏，层4权重）+层4偏差