新方法与就三样？！

1. 简单的卷积神经网络（CNN）:

   • 输入层：接收输入的图像数据。
   • 卷积层1：32个滤波器，3x3的卷积核，步长1，填充1。
   • ReLU激活函数：应用于卷积层的输出。
   • 卷积层2：64个滤波器，3x3的卷积核，步长1，填充1。
   • ReLU激活函数。
   • 全连接层1：将卷积层的输出展平后连接到128个神经元。
   • ReLU激活函数。
   • 全连接层2：128到10的映射，输出层对应10个数字类别。

1. 简单的递归神经网络（RNN）:

   • 输入层：接收序列化的图像数据。
   • RNN层：带有128个隐藏单元和2层的RNN。
   • 全连接层：将RNN的输出映射到10个输出类别。

1. Transformer模型:

   • 输入层：接收序列化的图像数据。
   • Transformer编码器：包含自注意力机制和前馈网络的层。
   • 全连接层：从Transformer的输出到10个类别的映射。

1. 对抗正则卷积神经网络:
   • 输入层：接收输入的图像数据。
   • 卷积层1：32个滤波器，3x3的卷积核，步长1，填充1。
   • ReLU激活函数：应用于卷积层的输出。
   • 卷积层2：64个滤波器，3x3的卷积核，步长1，填充1。
   • ReLU激活函数。
   • 全连接层1：将卷积层的输出展平后连接到128个神经元。
   • ReLU激活函数。
   • 全连接层2：128到10的映射，输出层对应10个数字类别。
   • 对抗训练：在正常的训练步骤中引入通过对输入图像添加扰动得到的对抗样本。