1*121数据集转化为11*11灰度图像在用dcgan 生成之后cnn分类代码

将1x121的数据集转化为11x11的灰度图像，可以按照如下步骤进行：

1. 将1x121的数据集reshape为1x11x11的三维数据。
2. 将三维数据转化为灰度图像，可以使用OpenCV等图像处理库来实现。

对于使用DCGAN生成图像，可以参考上面的回答。

生成图像后，可以使用CNN分类器来对图像进行分类。具体的代码实现步骤如下：

1. 加载生成的图像数据，获取图像数据和标签数据。
2. 对图像数据进行预处理，包括将像素值归一化、将图像转化为灰度图像等。
3. 构建CNN分类器模型，包括卷积层、池化层、全连接层等。
4. 使用训练集训练CNN模型，得到训练好的模型参数。
5. 使用测试集对CNN模型进行测试，计算模型的分类准确率。

下面是一个简单的Python实现代码，供参考：

import numpy as np
import cv2
import tensorflow as tf
from tensorflow.keras import layers, models

# 加载生成的图像数据和标签数据
images = np.load('generated_images.npy')
labels = np.load('generated_labels.npy')

# 对图像数据进行预处理
images = images / 255.0
images = np.reshape(images, (-1, 11, 11, 1))

# 构建CNN分类器模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(11, 11, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10)
])

# 编译CNN模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 将数据集划分为训练集和测试集
train_images, train_labels = images[:8000], labels[:8000]
test_images, test_labels = images[8000:], labels[8000:]

# 训练CNN模型
model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

# 在测试集上测试CNN模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('Test accuracy:', test_acc)

需要注意的是，CNN模型的结构和训练参数需要根据实际情况进行调整，以获得更好的分类效果。