如何制作空洞卷积神经网络示意图？请评估我的火灾检测模型图是否正确

我正在开展火灾检测项目，使用的空洞卷积神经网络（atrous CNN）模型代码如下：

model = Sequential([
    Conv2D(64, (3, 3), activation='relu', padding='same', dilation_rate=2, input_shape=(224, 224, 3)),
    BatchNormalization(),
    MaxPooling2D((2, 2)),
    Conv2D(128, (3, 3), activation='relu', padding='same', dilation_rate=2),
    BatchNormalization(),
    MaxPooling2D((2, 2)),
    GlobalAveragePooling2D(),
    Dense(256, activation='relu'),
    Dropout(0.5),
    Dense(1, activation='sigmoid')
])

模型摘要：

我不确定如何制作模型示意图，请问我绘制的这张图是否正确？若不正确，请告知修改方法。

示意图验证与修改建议 #

你的自制示意图存在几处与实际模型不符的地方，具体问题和修改方法如下：

• 未体现空洞卷积特性：模型中两个Conv2D层都设置了dilation_rate=2（空洞率为2），但示意图里的卷积层没有标注这一关键特征。建议给这两个卷积层添加“空洞率=2”的标注，或用带间隔的卷积核图形直观展示空洞卷积的结构。
• 遗漏批量归一化层：每个Conv2D层后都紧跟BatchNormalization层，这是模型的重要组成部分，但示意图完全没体现。需要在每个Conv2D和MaxPooling2D之间加入“BatchNormalization”模块。
• 全局平均池化层标注不规范：示意图里写的“GlobalAveragePool”应修正为标准名称“GlobalAveragePooling2D”，可以补充说明该层的作用是将二维特征图转化为一维向量，作为全连接层的输入。
• 输出层激活函数未标注：最后一个Dense层使用sigmoid激活函数实现二分类（火灾/非火灾），这一关键信息需要在示意图里标注出来。

内容的提问来源于stack exchange，提问作者Alice