卷积神经网络的示例代码

卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习模型，主要用于处理具有网格结构的数据，比如图像和视频。以下是一个使用Python的深度学习库Keras编写的简单卷积神经网络的示例代码：

# 导入所需的库
import keras
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 创建一个Sequential模型
model = Sequential()

# 添加卷积层
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))  # 假设输入图片是64x64 RGB图像
model.add(MaxPooling2D(pool_size=(2, 2)))

# 可能添加多个卷积层
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 将二维数据展平为一维供全连接层处理
model.add(Flatten())

# 添加全连接层
model.add(Dense(128, activation='relu'))

# 输出层（对于分类任务，通常用softmax）
model.add(Dense(num_classes, activation='softmax'))  # num_classes是你类别的数量

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型，这里假设你已经有了训练数据和标签
model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))

# 使用模型进行预测
predictions = model.predict(x_test)

在这个例子中，我们创建了一个包含卷积层、池化层、全连接层的CNN模型，并进行了基本的训练流程。具体的参数可能需要根据实际任务进行调整。