卷积神经网络图像分类代码

卷积神经网络（Convolutional Neural Network, CNN）在图像分类任务中广泛应用，通常包括卷积层、池化层、全连接层等组成部分。以下是一个简单的Python示例，使用Keras库来实现基本的CNN图像分类：

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

# 创建一个Sequential模型
model = Sequential()

# 添加卷积层（例如，32个3x3大小的滤波器，激活函数为ReLU）
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(img_width, img_height, channels)))

# 添加池化层（如2x2的最大池化）
model.add(MaxPooling2D(pool_size=(2, 2)))

# 可能还会添加更多的卷积层和池化层，视任务复杂度而定

# 将二维特征展平以便输入全连接层
model.add(Flatten())

# 全连接层用于分类，例如512个节点，再加上Softmax激活
model.add(Dense(512, activation='relu'))

# 最终输出层，通常是类别数，比如num_classes个节点，用softmax激活表示概率分布
model.add(Dense(num_classes, activation='softmax'))

# 编译模型，指定损失函数、优化器和评价指标
model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adam(),
              metrics=['accuracy'])

# 使用训练数据拟合模型
model.fit(x_train, y_train, epochs=num_epochs, validation_data=(x_test, y_test))

# 使用模型对新的图像进行预测
predictions = model.predict(new_image)