如何用二维卷积神经网络实现二分类图像问题 代码
时间: 2024-02-03 19:13:27 浏览: 23
以下是一个简单的二分类图像问题的示例代码:
```python
import tensorflow as tf
from tensorflow.keras import layers, models
# 加载数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))
train_images, test_images = train_images / 255.0, test_images / 255.0
# 定义模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
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(1, activation='sigmoid'))
# 编译模型
model.compile(optimizer='rmsprop',
loss='binary_crossentropy',
metrics=['accuracy'])
# 训练模型
history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels))
```
这个模型使用了三个卷积层和两个全连接层,其中最后一层使用 sigmoid 激活函数,输出二分类的概率。在编译模型时,我们使用了 binary_crossentropy 作为损失函数,表示二分类问题。在训练模型时,我们使用了 5 个 epochs 和 64 的 batch size。