计算卷积神经网络的代码

计算卷积神经网络的代码通常使用深度学习框架来实现，比如TensorFlow或PyTorch。以下是一个使用TensorFlow实现卷积神经网络的简单示例代码：

import tensorflow as tf

# 定义卷积神经网络模型
def convolutional_neural_network():
    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.Flatten(),
        tf.keras.layers.Dense(64, activation='relu'),
        tf.keras.layers.Dense(10, activation='softmax')
    ])
    return model

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

# 数据预处理
x_train = x_train.reshape(-1, 28, 28, 1) / 255.0
x_test = x_test.reshape(-1, 28, 28, 1) / 255.0
y_train = tf.keras.utils.to_categorical(y_train)
y_test = tf.keras.utils.to_categorical(y_test)

# 创建模型实例
model = convolutional_neural_network()

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

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

这段代码实现了一个简单的卷积神经网络模型，用于对MNIST手写数字进行分类。代码中使用了TensorFlow的高级API Keras来构建模型，包括卷积层、池化层、全连接层等。通过调用`fit`方法进行模型训练，然后使用`evaluate`方法评估模型在测试集上的准确率。