python实现神经网络简单分类

在Python中，可以使用深度学习库如TensorFlow、Keras或PyTorch来实现简单的神经网络分类。这里以Keras为例，它提供了更简洁易懂的API。首先，你需要安装这些库：

pip install tensorflow numpy keras

下面是一个使用Keras创建一个基本的全连接神经网络（Dense Neural Network）来进行二分类（例如猫狗识别）的简单步骤：

1. 导入所需模块：

import tensorflow as tf
from tensorflow import keras
from keras.models import Sequential
from keras.layers import Dense

2. 准备数据集（例如MNIST数据集）：

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = x_train / 255.0  # 归一化到[0, 1]范围
x_test = x_test / 255.0

# 将图像转为单通道灰度图（如果是彩色图像）
x_train = x_train.reshape(-1, 28 * 28)
x_test = x_test.reshape(-1, 28 * 28)

# 将标签转换为独热编码
y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)

3. 创建模型：

model = Sequential([
    Dense(64, activation='relu', input_shape=(784,)),  # 输入层（28*28像素）
    Dense(64, activation='relu'),                        # 隐藏层
    Dense(10, activation='softmax')                      # 输出层（10个类别）
])

4. 编译模型：

model.compile(optimizer='adam',
              loss='categorical_crossentropy',   # 对于多分类问题使用交叉熵损失
              metrics=['accuracy'])

5. 训练模型：

model.fit(x_train, y_train, epochs=10, validation_split=0.2)

6. 测试模型性能：

test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")