能否通过Keras Sequential模型的summary还原模型代码？

根据你提供的模型summary，以下是完全匹配的模型代码：

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

model = Sequential([
    # 第一层Conv2D：匹配输出尺寸(28,28,32)和参数320
    Conv2D(filters=32, kernel_size=(3,3), padding='same', activation='relu', input_shape=(28,28,1)),
    MaxPooling2D(pool_size=(2,2)),
    # 第二层Conv2D：匹配输出尺寸(14,14,64)和参数18496
    Conv2D(filters=64, kernel_size=(3,3), padding='same', activation='relu'),
    MaxPooling2D(pool_size=(2,2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.5),  # 常见配置，summary不显示dropout率，若原模型配置不同可自行调整
    Dense(10, activation='softmax')
])

# 执行此代码可验证summary是否与原模型一致
model.summary()

关键Conv2D层参数验证 #

Conv2D的参数计算公式为：(kernel_height * kernel_width * input_channels + 1) * filters（+1对应偏置项，默认use_bias=True）：

• 第一层Conv2D：(3*3*1 +1)*32 = 10*32 = 320，完全匹配summary参数数；padding='same'保证输入输出尺寸一致（28x28）
• 第二层Conv2D：(3*3*32 +1)*64 = 289*64 = 18496，和summary参数数一致；padding='same'保证输出尺寸14x14与输入一致

其他层说明 #

• MaxPooling2D使用pool_size=(2,2)，默认步长等于池化窗口大小，因此尺寸从28→14、14→7，与summary输出完全匹配
• Dense层参数计算规则为输入神经元数*输出神经元数 + 输出神经元数（含偏置），完全匹配summary中的401536和1290

内容的提问来源于stack exchange，提问作者Flo Gustl