用python编写卷积神经网络，并用来预测

在Python中，我们可以使用深度学习框架如TensorFlow或PyTorch来编写卷积神经网络（Convolutional Neural Network, CNN）。下面是一个使用Keras库（一个高层次API，简化了TensorFlow的使用）创建简单CNN并用于图像分类的基本示例。

首先，安装必要的库（如果你还没有安装）：

pip install tensorflow

然后，构建一个简单的CNN模型预测手写数字（MNIST数据集）:

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化

# 将输入形状调整为适合CNN
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)

# 创建模型
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),  # 展平为一维数组
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')  # 输出层，10表示0-9共10个类别
])

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

# 训练模型
model.fit(x_train, y_train, epochs=10, validation_split=0.2)  # 使用20%的数据做验证

# 预测测试集
predictions = model.predict(x_test)
predicted_labels = tf.argmax(predictions, axis=1)

# 查看一些预测结果
for i in range(5):
    print(f"Predicted label for image {i}: {predicted_labels[i]}")

在这个例子中，我们首先加载MNIST数据集，然后定义一个包含两个卷积层和池化层的模型结构，接着编译模型、训练它，最后对测试集进行预测。