卷积神经网络实现鸢尾花数据分类python代码实现

卷积神经网络（Convolutional Neural Network, CNN）常用于图像识别任务，包括像鸢尾花这样的花卉分类。这里是一个简单的Python代码示例，使用Keras库来实现鸢尾花数据集的分类，该数据集通常来自于sklearn模块：

from sklearn.datasets import load_iris
import numpy as np
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 加载鸢尾花数据
iris = load_iris()
X = iris.data[:, :4].reshape(-1, 4, 1)  # 将数据转换成1维数组并增加维度，假设每个样本是4维（花瓣长度、宽度等）
y = iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建CNN模型
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(4, 1, 1)),  # 第一层卷积层
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),  # 展平操作，将二维矩阵展平为一维向量
    Dense(128, activation='relu'),  # 全连接层
    Dense(3, activation='softmax')  # 输出层，3个节点对应3种鸢尾花类别
])

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

# 训练模型
model.fit(X_train, y_train, epochs=50, validation_data=(X_test, y_test))

# 评估模型性能
score = model.evaluate(X_test, y_test)
print("Test accuracy:", score[1])

注意，这个例子假设了数据已经被预处理，并且对输入进行了必要的形状调整。实际应用中，你可能需要对数据做更多的预处理步骤，如归一化等。