判定给定代码实现的CNN模型所属的经典网络架构类型

这个模型不属于LeNet、GoogleNet、ResNet、VGG这类有专属命名的标准经典CNN架构，属于入门场景最常用的朴素堆叠式CNN（Vanilla CNN），是自定义的简易卷积网络，一般用作小图像分类任务的基线模型、或者CNN入门教学演示用例，核心设计思路和AlexNet同源，但参数量、层数都远小于原版AlexNet，没有特殊结构创新。

• 可以直接排除主流命名经典架构：
  • 排除LeNet：标准LeNet仅含2个卷积层，采用55尺寸卷积核，最大通道数仅16，和当前模型6个卷积层、全33卷积核、最高64通道的配置完全不符
  • 排除GoogleNet：GoogleNet核心特征是Inception多分支卷积模块，当前模型是单路串行结构，无任何分支设计
  • 排除ResNet：残差跳连是ResNet的核心标识，当前模型没有任何跨层连接结构
  • 排除VGG：标准VGG的通道数会随层深翻倍增长（64→128→256→512），且尾部搭配3层大参数量全连接层，当前模型卷积层从第二层开始通道数固定为64，仅含1层隐藏全连接，配置不匹配
• 结构完全匹配朴素CNN特征：全程串行重复堆叠3*3卷积+ReLU激活+2*2最大池化的基础块，最后通过Flatten层拉直特征，接两层全连接层输出多分类结果，没有任何特殊结构设计，是最基础的卷积网络实现形式。

input_shape = (BATCH_SIZE, IMAGE_SIZE, IMAGE_SIZE, CHANNELS)
n_classes = 10

model = models.Sequential([
resize_and_rescale,
layers.Conv2D(32, kernel_size = (3,3), activation='relu', input_shape=input_shape),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64,  kernel_size = (3,3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64,  kernel_size = (3,3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(n_classes, activation='softmax'),
])

model.build(input_shape=input_shape)

内容的提问来源于stack exchange，提问作者user19257624