在下面的Python代码中，引入了一个类，该类有一个用于网络实例化的静态方法。
from keras.models import Sequential
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.layers.core import Activation, BatchNormalization, Dropout, Flatten, Dense
class ClassLeNet:
@staticmethod
def create(width, height, kernels, hidden, classes):
net = Sequential()
net.add(Conv2D(kernels, (5, 5), padding='same', input_shape=(height, width, 1)))
net.add(Activation('relu'))
net.add(BatchNormalization())
net.add(Conv2D(kernels, (5, 5), padding='same'))
net.add(Activation('relu'))
net.add(BatchNormalization())
net.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
net.add(Conv2D(kernels, (3, 3), padding='same'))
net.add(Activation('relu'))
net.add(BatchNormalization())
net.add(Conv2D(kernels, (3, 3), padding='same'))
net.add(Activation('relu'))
net.add(BatchNormalization())
net.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
net.add(Flatten())
net.add(Dense(hidden))
net.add(Activation('relu'))
net.add(Dropout(0.5))
net.add(Dense(hidden))
net.add(Activation('relu'))
net.add(Dense(classes))
net.add(Activation('softmax'))
return net
上述代码导入了所需的Python包和类。关于类名的一些备注：
在类中定义的create方法有五个参数：
由于网络是一个前馈CNN，实例化了Sequential模型类。
使用多个add方法调用来按所需顺序堆叠层。所有Conv2D卷积层的构造函数都提供以下参数：
第一个卷积层创建时有一个额外的参数input_shape，它指定了输入图像的维度。
激活层使用ReLU激活函数，由relu参数值指定。最后一个激活层是个例外：它使用SOFTMAX函数来提供每个类别（年龄组）的概率输出。
池化层初始化有两个参数：
在堆栈的最后部分有三个全连接（Dense）层。两个隐藏层的实例化神经元数量等于hidden参数值。最后一个输出层的神经元数量等于类别数。
在两个全连接层之间有一个dropout层，概率为0.5。注意卷积和全连接部分之间的Flatten层。这是必要的，因为卷积输出有三个维度（宽度、高度和核的数量），而全连接输入是一维的。因此，卷积数据必须转换为1D数组，然后才能用作密集层的输入。
有了构建CNN模型的类实现后，可以如下实例化模型：
from keras.optimizers import SGD
kernels = 16
hidden = 256
imgsize = 128
classes = 10
net = ClassLeNet.create(imgsize, imgsize, kernels, hidden, classes)
opt = SGD(lr=0.01)
net.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
首先，为模型参数分配值：
然后调用create方法来实例化网络模型，使用上述参数值。此外，还需要选择用于训练模型的优化方法。随机梯度下降(SGD)优化器实例化，学习率值lr=0.01。
最后，模型使用上述优化器编译，使用准确度作为度量，以及交叉熵作为损失函数（分类问题的常见选择）。