keras卷积网络对cifar10分类步骤

### 使用Keras CNN模型对CIFAR-10数据集进行图像分类的详细步骤

#### 导入必要的库
为了构建和训练卷积神经网络(CNN)，需要先安装并导入一些基本的Python库，如`tensorflow`及其高级API `keras`用于创建和训练模型；`matplotlib`则用来展示结果。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

#### 加载与预处理数据
加载CIFAR-10数据集，并将其划分为训练集和测试集。此过程会自动下载数据到本地缓存位置，如果之前已经下载过，则直接读取缓存的数据。同时，还需要对输入特征做标准化处理，即将像素值缩放到[0, 1]区间内[^4]。

(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# Normalize pixel values to be between 0 and 1
train_images, test_images = train_images / 255.0, test_images / 255.0

#### 构建卷积神经网络架构
定义一个简单的CNN结构来提取图像的空间层次特征。这里采用的是顺序模型(`Sequential`)的方式堆叠各层组件，包括多个二维卷积层(Conv2D)、最大池化层(MaxPooling2D)以及全连接层(Dense)[^3]。

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

#### 编译模型
指定损失函数(categorical_crossentropy适用于多类别分类问题)、优化器(adam是一种常用的自适应学习率方法)及评价指标(accuracy衡量预测准确性)[^2]。

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

#### 训练模型
设置批量大小(batch size)为64，迭代次数(epoch)设为10次，即让整个训练集循环遍历十轮更新权重参数。期间可以监控验证集上的表现情况以防止过拟合现象发生。

history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

#### 可视化训练历史记录
利用Matplotlib绘制图表显示每一轮epoch后的loss变化趋势图和acc增长曲线，帮助理解模型的学习动态特性[^1]。

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0, 1])
plt.legend(loc='lower right')

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)

print(f'Test accuracy: {test_acc}')