Рисовать все последовательно по уровням просто квадратами типа []->[]->[]...
activation - функция активации, в гугле график есть.
Conv2D(x, y, ...) сверточный двухмерный слой, x - число матриц свертки, все матрицы размером y x y.
MaxPooling2D((a, b)) - слой макс-пулинга, из каждого участка axb входной матрицы получает запоминает макс. число.
Flatten() - слой преобразует тензоры любой размерности в одномерный массив.
Dense(x) - полностью связанный уровень с x нейронами.
BatchNormalization() - слой батч-нормализации, влияет на распределение градиентов при обратном проходе нейросети.
len(values_to_ints) у последнего денса в моделях это количество классов.



	model1 = tf.keras.Sequential([
        tf.keras.layers.Conv2D(4, 5, activation='relu', input_shape=(128, 256, 3)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(values_to_ints), activation='softmax'),
    ])
    model2 = tf.keras.Sequential([
        tf.keras.layers.Conv2D(32, 5, activation='relu', input_shape=(128, 256, 3)),
        tf.keras.layers.Conv2D(64, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(64, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(values_to_ints), activation='softmax'),
    ])
    model3 = tf.keras.Sequential([
        tf.keras.layers.Conv2D(32, 5, activation='relu', input_shape=(128, 256, 3)),
        tf.keras.layers.Conv2D(64, 5, activation='relu'),
        tf.keras.layers.BatchNormalization(),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(64, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.BatchNormalization(),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(values_to_ints), activation='softmax'),
    ])
    model4 = tf.keras.Sequential([
        tf.keras.layers.Conv2D(4, 5, activation='relu', input_shape=(128, 256, 3)),
        tf.keras.layers.Conv2D(16, 5, activation='relu'),
        tf.keras.layers.MaxPooling2D((2, 2)),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(len(values_to_ints), activation='softmax'),
    ])