深度学习图像识别python代码示例

以下是一个简单的利用深度学习进行图像识别的Python代码示例：

# 导入所需的库
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D
from tensorflow.keras.callbacks import EarlyStopping

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将像素值缩放到 0~1 之间
x_train = x_train / 255.0
x_test = x_test / 255.0

# 将标签转换为 one-hot 编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 构建模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))

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

# 定义早停回调函数
early_stopping = EarlyStopping(monitor='val_loss', patience=3)

# 训练模型
model.fit(x_train.reshape(-1, 28, 28, 1), y_train, batch_size=128, epochs=20, verbose=1, validation_split=0.2, callbacks=[early_stopping])

# 评估模型
score = model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

该代码使用 TensorFlow 库来创建一个卷积神经网络模型，该模型可以识别手写数字。数据集使用的是 MNIST 数据集，该数据集包含了一系列手写数字图像。在训练时，我们用早停回调函数来避免模型过拟合。在训练完成后，我们使用测试集对模型进行评估，并输出测试集的损失和准确率。