卷积神经网络回归模型代码以及调用代码预测新数据

卷积神经网络 (Convolutional Neural Network, CNN) 通常用于图像处理和分析任务，包括回归问题。对于回归问题，CNN可以转化为回归型CNN（Regression-CNN），它将输入映射转换为连续数值预测。下面是一个简单的例子，我们将展示如何使用Keras库创建一个基础的CNN回归模型，并预测新数据。

# 导入所需的库
import tensorflow as tf
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.models import Sequential

# 定义模型结构
def create_cnn_regression_model(input_shape, num_classes):
    model = Sequential()
    model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
    model.add(MaxPooling2D(pool_size=(2, 2)))
    model.add(Flatten())
    model.add(Dense(64, activation='relu'))
    model.add(Dense(num_classes))  # 输出层，假设我们要预测的是一个连续值
    model.compile(optimizer='adam', loss='mean_squared_error')  # 使用均方误差作为损失函数
    return model

# 创建模型实例并训练
input_shape = (64, 64, 3)  # 假设我们有64x64像素的RGB图像
num_classes = 1  # 回归任务，所以输出通道数为1
model = create_cnn_regression_model(input_shape, num_classes)
# 假设我们已经有了训练数据 X_train, y_train 和验证数据 X_val, y_val
model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=50)

# 预测新数据
new_data = ...  # 这应该是一个形状为 (batch_size, *input_shape) 的numpy数组
prediction = model.predict(new_data)

# 显示预测结果
print("Predicted values for new data:", prediction)