cnn写一个图片分类模型

好的，以下是一个简单的卷积神经网络（CNN）模型，用于图片分类任务：

import tensorflow as tf

# 定义 CNN 模型
def create_model():
    model = tf.keras.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.Conv2D(64, (3, 3), activation='relu'),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10, activation='softmax')
    ])
    return model

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

# 训练模型
model.fit(train_images, train_labels, epochs=5, 
          validation_data=(test_images, test_labels))

在这个模型中，我们使用了三个卷积层和两个全连接层，其中每个卷积层都后接了一个最大池化层，用于压缩特征图的大小。最后一个全连接层输出10个概率值，对应于10个可能的类别，我们使用 softmax 函数将这些概率值转换为分类输出。

在训练模型时，我们使用了 Adam 优化器和交叉熵损失函数，同时计算了模型的精度指标。可以根据实际需要进行调整和优化。