透過 DeZero 建立深度學習網路，並使用 MNIST 資料集訓練與驗證模型。
[輸入影像 (Input)]
│
▼ (Shape: 1 x 28 x 28)
┌──────────────────────────────────────────────────────────┐
│ 卷積階段 1 (Block 1) │
│ ├─ conv1_1: Conv2d (In: 1, Out: 12, K: 3x3, S: 1, P: 1) │
│ │ └─ Feature Map Shape: 12 x 28 x 28 │
│ ├─ bn1_1 : BatchNorm │
│ └─ relu : ReLU │
│ │
│ ├─ conv1_2: Conv2d (In: 12, Out: 12, K: 3x3, S: 2, P: 1)│
│ │ └─ Feature Map Shape: 12 x 14 x 14 │
│ ├─ bn1_2 : BatchNorm │
│ └─ relu : ReLU │
└──────────────────────────────────────────────────────────┘
│
▼ (Shape: 12 x 14 x 14)
┌──────────────────────────────────────────────────────────┐
│ 卷積階段 2 (Block 2) │
│ ├─ conv2_1: Conv2d (In: 12, Out: 24, K: 3x3, S: 1, P: 1)│
│ │ └─ Feature Map Shape: 24 x 14 x 14 │
│ ├─ bn2_1 : BatchNorm │
│ └─ relu : ReLU │
│ │
│ ├─ conv2_2: Conv2d (In: 24, Out: 24, K: 3x3, S: 2, P: 1)│
│ │ └─ Feature Map Shape: 24 x 7 x 7 │
│ ├─ bn2_2 : BatchNorm │
│ ├─ relu : ReLU │
│ └─ dropout: Dropout (ratio = 0.3) │
└──────────────────────────────────────────────────────────┘
│
▼ (Shape: 24 x 7 x 7)
┌──────────────────────────────────────────────────────────┐
│ 展平與分類階段 (Flatten & Classification) │
│ ├─ F.reshape: Flatten (24 * 7 * 7) │
│ │ └─ Vector Size: 1176 │
│ │ │
│ ├─ fc3 : Linear (In: 1176, Out: 784) │
│ ├─ relu : ReLU │
│ ├─ dropout: Dropout (ratio = 0.65) │
│ │ │
│ ├─ fc4 : Linear (In: 784, Out: 10) │
│ └─ Output : Logits │
└──────────────────────────────────────────────────────────┘
│
▼ (Shape: 10)
[分類預測輸出 (Output Logits)]