请对您的想法进行最少的评论，以便我可以改进我的查询。谢谢。-)
我正在使用MNIST数据集并编写一些CNN代码。然而，我对CNN代码中的一些点感到困惑。如何知道神经网络中的层数？根据我目前的理解，我认为这有6层，其中4层是隐藏层。这是对的吗？如果我需要扩展到10层，该怎么做？
from tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Dense, Conv2D, Dropout, Flatten, MaxPooling2Dmodel = Sequential()model.add(Conv2D(28, kernel_size=(3,3), input_shape = ...))model.add(MaxPooling2D(pool_size=(2,2)))model.add(Flatten())model.add(Dense(128, activation=tf.nn.relu))model.add(Dropout(0.2))model.add(Dense(10, activation=tf.nn.softmax))回答：
如果你打印你的模型的.summary()，你会得到
Model: "sequential_1"_________________________________________________________________Layer (type) Output Shape Param # =================================================================conv2d_1 (Conv2D) (None, 26, 26, 28) 280 _________________________________________________________________max_pooling2d_1 (MaxPooling2 (None, 13, 13, 28) 0 _________________________________________________________________flatten_1 (Flatten) (None, 4732) 0 _________________________________________________________________dense (Dense) (None, 128) 605824 _________________________________________________________________dropout (Dropout) (None, 128) 0 _________________________________________________________________dense_1 (Dense) (None, 10) 1290 =================================================================Total params: 607,394Trainable params: 607,394Non-trainable params: 0print(len(model.layers)) # 6如你所见，你构建了一个有6层的深度神经网络 – 其中一些是可训练层，还有一些是不可训练层。所以，如果有人问你模型的层数，它就是简单的6层。
那么，如何扩展或添加更多层呢？这就像往杯子里加水一样简单。就像这样
import tensorflow as tffrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import (Dense, Conv2D, Dropout, Flatten, MaxPooling2D, BatchNormalization)model = Sequential()model.add(Conv2D(16, kernel_size=(3,3), input_shape = (28,28,1)))model.add(Conv2D(32, kernel_size=(3, 3), activation="relu"))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Conv2D(64, kernel_size=(3, 3), activation="relu"))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Flatten())model.add(Dense(128, activation=tf.nn.relu))model.add(BatchNormalization())model.add(Dropout(0.2))model.add(Dense(10, activation=tf.nn.softmax))model.summary()print(len(model.layers)) # 10现在，请注意，虽然使用tf.keras（或其他框架如pytorch）我们可以很容易地做到这些，但我们应该考虑我们正在做什么以及为什么这样做。我不会在这方面描述太多，因为这超出了这个问题的范围。但我强烈建议你查看tf.keras官方代码示例。
隐藏层这个术语只是早期经常使用的命名约定（据我所知），主要在全连接层（在CNN之前）。因此，为了简单起见，我会说就忘记这个术语。我们应该将层称为可训练和不可训练，这在现在更有意义。
在你的模型中，第一个CNN（可训练层），第二个MaxPool2D（不可训练），第三个Flatten（不可训练），第四个Dense（可训练），第五个Dropout（不可训练），最后是第六个Dense（可训练）。你也可以在model.summary()中的Param #列中看到，那些不可训练层的参数为零 – 该层没有可训练的变量。假设，在你的模型中，第一层定义为，
model.add(Conv2D(28, kernel_size=(3,3), input_shape = ...))无论预期的input_shape是什么，将3 x 3大小的滤波器（总共28个）应用于输入并进行卷积操作，生成一些特征图。因此，在这一层的末尾，我们将得到总共28个特征图。下一层
model.add(MaxPooling2D(pool_size=(2,2)))只是简单地从这28个特征图中池化最大值，其他什么也没有。所以没有计算操作 – 这就是为什么没有可训练的参数。
隐藏层简单地指的是位于深度神经网络的输入层和输出层之间的层。但在你的模型中，第一个Conv2D层是一个隐藏层，它不是输入层。这里，输入层在我们将input_shape参数传递给第一个Conv2D层时隐式存在。所以，如果我们严格按照隐藏层的命名约定来看，我们可以说，在你的模型中，有5个隐藏层（从第一个Conv2D到Dropout）。输入层隐式存在，输出层是最后一个Dense层。
