cnn卷积神经网络python

CNN（Convolutional Neural Network，卷积神经网络）是一种前馈神经网络，常用于图像和视频识别、分类和处理任务。Python中有多种深度学习框架可以用来构建和训练CNN模型，其中比较流行的包括TensorFlow、Keras、PyTorch等。

以下是一个用Python编写并训练CNN模型的示例：

import tensorflow as tf
from tensorflow.keras import layers

# 加载MNIST手写数字数据集
mnist = tf.keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 对图像进行预处理，将像素值缩放到0到1之间
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建CNN模型
model = tf.keras.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 编译模型并训练
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5)

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

这个示例中，我们使用TensorFlow内置的MNIST数据集加载手写数字图像，预处理数据，构建了一个包含三个卷积层和两个全连接层的CNN模型，并使用Adam优化器和交叉熵损失函数进行训练。最后在测试集上评估模型的性能。