基于Tensorflow的CNN

以下是一个基于TensorFlow实现的简单卷积神经网络（CNN）的代码示例：

import tensorflow as tf

# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将数据集进行归一化处理
x_train, x_test = x_train / 255.0, x_test / 255.0

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

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

# 训练模型
model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=5)

# 评估模型
model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test, verbose=2)

在这个代码示例中，我们首先加载了 MNIST 数据集，并将数据进行了归一化处理。然后我们定义了一个简单的CNN，包括两个卷积层、两个池化层、一个全连接层和一个输出层。我们使用 TensorFlow 的高级 API Keras 来构建模型，使用 Adam 优化器、交叉熵损失函数和准确率作为评价指标。我们将模型训练了5个epoch，并使用测试集对模型进行了评估。