cnn卷积神经网络python

下面是一个简单的CNN卷积神经网络的Python代码示例，使用Keras框架：

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

# 创建一个序列模型
model = Sequential()

# 添加卷积层
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))

# 添加池化层
model.add(MaxPooling2D(pool_size=(2, 2)))

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

# 添加平铺层
model.add(Flatten())

# 添加全连接层
model.add(Dense(units=128, activation='relu'))

# 添加输出层
model.add(Dense(units=1, activation='sigmoid'))

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

# 训练模型
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))

这个模型包含两个卷积层和两个池化层，一个平铺层，一个全连接层和一个输出层。在训练模型之前，需要将训练数据和标签传递给`fit()`方法。在这个示例中，我们使用了二进制交叉熵损失函数和Adam优化器来编译模型。