cnn卷积神经网络Python

### 使用Python实现卷积神经网络(CNN)

#### 定义CNN模型架构

卷积神经网络主要由卷积层、激活层、池化层以及全连接层构成[^2]。下面是一个基于TensorFlow和Keras库构建简单CNN的例子：

import tensorflow as tf
from tensorflow.keras import layers, models

def create_cnn_model():
    model = models.Sequential()
    
    # 添加第一个卷积层与最大池化层
    model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
    model.add(layers.MaxPooling2D((2, 2)))

    # 添加第二个卷积层与最大池化层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))

    # 添加第三个卷积层
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))

    # 将三维特征图展平成一维向量
    model.add(layers.Flatten())

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

    # 输出层，假设分类任务有10类
    model.add(layers.Dense(10))

    return model

此代码片段展示了如何创建一个基础版本的CNN用于图像处理任务。

#### 编译并训练模型

为了使上述定义好的CNN能够执行具体的预测工作，在实际操作之前还需要对其进行编译，并指定损失函数、优化器以及其他参数配置；接着就可以利用准备好的数据集来对该模型进行训练了。

model = create_cnn_model()

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 假设已经准备好训练数据train_images和标签train_labels
history = model.fit(train_images, train_labels, epochs=5)

这段程序说明了怎样设置好模型之后再通过调用`fit()`方法来进行一轮或多轮次的学习过程。

#### 测试模型性能

完成训练阶段后，可以使用测试集中未见过的数据评估最终得到的模型效果好坏程度。

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(f'\nTest accuracy: {test_acc}')

这里给出了计算测试集上准确率的方法，从而帮助判断所建立起来的CNN是否具备良好的泛化能力。