卷积神经网络python

卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习模型，常用于图像识别、语音识别等领域。在Python中，可以使用各种深度学习框架来实现卷积神经网络，如TensorFlow、Keras、PyTorch等。

下面是一个使用Keras实现卷积神经网络的示例代码：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 创建模型
model = Sequential()

# 添加卷积层和池化层
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))

# 添加全连接层
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

在这个示例中，我们使用了一个简单的卷积神经网络来识别手写数字图像。首先，我们创建了一个Sequential模型，并向其添加了三个卷积层和两个全连接层。在每个卷积层之后，我们都添加了一个MaxPooling层来降低图像的空间维度。最后，我们使用softmax激活函数来输出每个数字的概率分布，并使用交叉熵损失函数进行训练。

这只是一个简单的示例，实际上卷积神经网络可以有很多种不同的结构和配置。根据具体的应用场景和数据集，我们可以进行相应的调整和优化。