神经网络架构概述

• 模型类型：前馈全连接网络（多层感知机）
• 层数：10
• 连接方式：相邻层间全连接（Fully Connected）

层列表

• L1 输入层：Input(shape=未指定)
• L2 全连接层：Dense(units=未指定, use_bias=未指定)
• L3 激活层：Activation(function=未指定)
• L4 Dropout层：Dropout(rate=未指定)
• L5 全连接层：Dense(units=未指定, use_bias=未指定)
• L6 激活层：Activation(function=未指定)
• L7 全连接层：Dense(units=未指定, use_bias=未指定)
• L8 激活层：Activation(function=未指定)
• L9 全连接层：Dense(units=未指定, use_bias=未指定) // 通常用于输出logits
• L10 Softmax层：Softmax(axis=未指定) // 将logits归一化为类别概率

连接图

[ L1: Input ] └─(FC)→ [ L2: Dense ] └─→ [ L3: Activation ] └─→ [ L4: Dropout ] └─(FC)→ [ L5: Dense ] └─→ [ L6: Activation ] └─(FC)→ [ L7: Dense ] └─→ [ L8: Activation ] └─(FC)→ [ L9: Dense ] └─→ [ L10: Softmax ] → 输出(类别概率)

• 说明：所有箭头均表示相邻层之间的全连接（FC），数据流从左向右依次传递。

备注

• 网络结构：典型的多层感知机结构，采用“线性映射（Dense）→非线性变换（Activation）→正则化（Dropout，仅一次）”的序列，多次重复线性-非线性堆叠，加深特征变换能力。
• 数据流向：
  • 输入经L2做线性投影，L3引入非线性，L4在训练时随机丢弃部分激活以降低过拟合；
  • 后续两段“Dense+Activation”继续提取与变换特征；
  • L9产生最终线性输出（logits），L10对其进行Softmax归一化，得到每个类别的概率分布。
• 使用场景：末层Softmax指向多类别分类任务；类别数与L9的输出维度应一致（未在参数中指定）。
• 未指定参数：各Dense层的units、激活函数类型、Dropout的rate、输入shape与Softmax的axis未提供；图中以“未指定”占位，便于后续在文档或实现中补充。

神经网络架构概述

• 类型：卷积编码-解码结构（含跳跃连接与特征融合）
• 层数：18
• 连接方式：跳跃连接（Skip Connections），在解码阶段通过拼接层融合编码阶段特征

层列表

• L1 输入层：输入数据入口
• L2 卷积层：早期特征提取
• L3 激活层：引入非线性（未指定具体激活函数）
• L4 卷积层：进一步特征抽取
• L5 激活层：非线性增强（未指定）
• L6 池化层：下采样，聚合上下文
• L7 卷积层：低分辨率语义特征提取
• L8 激活层：非线性（未指定）
• L9 反卷积层：特征重建/上采样（步幅未指定）
• L10 拼接层：特征融合（跳跃连接自编码端）
• L11 卷积层：融合后特征整合
• L12 激活层：非线性（未指定）
• L13 反卷积层：进一步重建/上采样（步幅未指定）
• L14 拼接层：特征融合（第二处跳跃连接）
• L15 卷积层：融合后特征整合
• L16 激活层：非线性（未指定）
• L17 卷积层：输出前特征映射
• L18 Sigmoid层：输出概率/归一化（常用于二分类或二值分割）

连接图（数据流与跳跃连接）

• 主干数据流： L1 → L2 → L3 → L4 → L5 → L6 → L7 → L8 → L9 → L10 → L11 → L12 → L13 → L14 → L15 → L16 → L17 → L18

• 跳跃连接与特征融合：

  • L10 = Concat(L9, L5) // 第1处跳跃连接：将解码支路的重建特征与编码端的高分辨率特征融合
  • L14 = Concat(L13, L3) // 第2处跳跃连接：更早期的细粒度特征与进一步重建后的特征融合

• 结构分段说明：

  • 编码路径：L2-L8（其中 L6 为下采样节点）
  • 解码路径与融合：L9 → L10 → L11 → L12 → L13 → L14 → L15 → L16 → L17 → L18

备注

• 本架构为典型的编码-解码拓扑，使用两级跳跃连接（由 L5 和 L3 送入 L10 与 L14 的拼接层），以保留高分辨率细节并增强重建阶段的表达能力。
• 反卷积层（L9、L13）用于特征重建与可能的上采样；由于未提供步幅/尺寸参数，本图仅呈现拓扑与数据流，不对空间分辨率变化做假设。
• Sigmoid 输出层（L18）适合二值输出场景；若为多类任务，通常需替换为 Softmax。
• 所有未指定的激活层类型保持通用标注，实际使用时可替换为 ReLU/LeakyReLU/GELU 等。