基于深度神经网络的代码
时间: 2024-05-03 22:19:25 浏览: 14
以下是一个基于深度神经网络的Python代码示例,用于实现一个简单的图像分类器:
```python
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
# 加载 CIFAR-10 数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
# 将像素值归一化到 0 到 1 的范围内
x_train = x_train / 255.0
x_test = x_test / 255.0
# 定义模型
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
tf.keras.layers.MaxPooling2D((2, 2)),
tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)
```
这个代码示例使用了 TensorFlow 2.x 中的 Keras API 来定义、训练和评估一个 CNN 模型,用于对 CIFAR-10 数据集进行图像分类。这个模型包含了几个卷积层和池化层,以及几个全连接层,可以在测试集上达到约 75% 的分类准确率。