基于 CNN，搭建一个苹果分类器（二分类）

好的，我可以帮你搭建一个基于CNN的苹果分类器。首先，我们需要准备数据集。可以从网上下载苹果图片，分成两类：好苹果和坏苹果。然后，我们将数据集分成训练集和测试集。训练集用来训练模型，测试集用来测试模型的性能。

接下来，我们可以开始搭建我们的CNN模型。这里我给出一个简单的CNN模型：

import tensorflow as tf

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

这个模型包含了三个卷积层和三个最大池化层。我们使用relu激活函数和sigmoid输出层来实现二分类。这个模型的输入是150x150的RGB图片。

接下来，我们需要编译模型，并且训练它。这里我给出一个简单的训练代码：

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_generator,
                    steps_per_epoch=len(train_generator),
                    epochs=10,
                    validation_data=val_generator,
                    validation_steps=len(val_generator))

这个代码使用adam优化器和二元交叉熵损失函数来编译模型。我们将训练数据集分成小批量，每个批量包含32张图片。训练模型共进行10个epoch。同时，我们使用测试数据集来验证模型的性能。

最后，我们可以使用训练好的模型来预测新的苹果图片。下面是一个简单的预测代码：

import numpy as np
from keras.preprocessing import image

# load image
img = image.load_img('apple.jpg', target_size=(150, 150))
img = image.img_to_array(img)
img = np.expand_dims(img, axis=0)

# predict
result = model.predict(img)
if result[0] > 0.5:
    print('good apple')
else:
    print('bad apple')

这个代码使用Keras的image模块来加载新的苹果图片，并将其转换为模型输入的格式。然后，我们使用训练好的模型来进行预测，并输出结果。