使用Keras.engineModel()构建卷积神经网络（CNN）模型

Keras 是一个用于构建神经网络的高级神经网络 API，Keras.engine.Model() 是 Keras 中最基本的模型类，它是用于构建神经网络模型的基础类。在构建卷积神经网络（CNN）模型时，我们可以使用 Keras.engine.Model() 来定义模型的架构，然后在训练和评估模型时使用。

下面我们将使用 Keras.engine.Model() 构建一个简单的卷积神经网络模型来进行图像分类任务。让我们假设我们要对 CIFAR-10 数据集中的图像进行分类，该数据集包含10个不同类别的图像。

首先，我们需要导入所需的库和模块：

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.datasets import cifar10

接下来，我们需要加载 CIFAR-10 数据集，并对数据进行预处理：

(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train = x_train / 255.0
x_test = x_test / 255.0

然后，我们需要定义模型的架构。在这个例子中，我们将使用两个卷积层、两个最大池化层和两个全连接层来构建模型：

input_shape = (32, 32, 3)
inputs = Input(shape=input_shape)
x = Conv2D(32, (3, 3), activation='relu')(inputs)
x = MaxPooling2D((2, 2))(x)
x = Conv2D(64, (3, 3), activation='relu')(x)
x = MaxPooling2D((2, 2))(x)
x = Flatten()(x)
x = Dense(64, activation='relu')(x)
outputs = Dense(10, activation='softmax')(x)

我们可以看到，我们首先定义了模型的输入层，然后使用 Conv2D 层和 MaxPooling2D 层构建了两个卷积块，最后使用 Flatten 层将卷积层的输出展平，并使用 Dense 层构建了两个全连接层。

最后，我们可以使用 Keras.engine.Model() 类将输入和输出连接起来，构建我们的模型：

model = Model(inputs=inputs, outputs=outputs)

我们可以通过调用模型的 summary() 方法来查看模型的架构：

model.summary()

为了训练模型，我们需要定义损失函数、优化器和评估指标，并编译模型：

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

然后，我们可以使用训练集对模型进行训练：

model.fit(x_train, y_train, epochs=10, batch_size=64, validation_data=(x_test, y_test))

最后，我们可以使用测试集对模型进行评估：

test_loss, test_accuracy = model.evaluate(x_test, y_test)
print('Test Loss:', test_loss)
print('Test Accuracy:', test_accuracy)

使用 Keras.engine.Model() 构建卷积神经网络模型非常简单，您只需定义模型的架构，编译模型，然后训练和评估模型即可。这个简单的例子演示了如何使用 Keras.engine.Model() 构建卷积神经网络模型进行图像分类任务。根据实际需求，您可以自定义模型的架构来适应不同的任务和数据集。