基于深度学习卷积神经网络python代码

基于深度学习的卷积神经网络 (Convolutional Neural Networks, CNN) 在Python中通常使用深度学习库Keras或TensorFlow来实现。这里是一个简单的例子，展示如何使用Keras构建一个基本的CNN模型用于图像分类：

# 导入所需的库
from tensorflow.keras import layers, models

# 定义模型结构
def create_cnn_model(input_shape):
    model = models.Sequential()
    model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
    model.add(layers.MaxPooling2D((2, 2)))
    
    model.add(layers.Conv2D(64, (3, 3), activation='relu'))
    model.add(layers.MaxPooling2D((2, 2)))

    model.add(layers.Conv2D(128, (3, 3), activation='relu'))
    model.add(layers.Flatten())  # 将二维数据展平成一维
    model.add(layers.Dense(128, activation='relu'))
    model.add(layers.Dropout(0.5))  # 防止过拟合
    model.add(layers.Dense(num_classes, activation='softmax'))  # 根据任务调整类别数

    return model

# 假设输入图片形状是(224, 224, 3)，num_classes是分类的类别数
input_shape = (224, 224, 3)
num_classes = 10  # 类别示例
model = create_cnn_model(input_shape)

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

# 这里省略了训练部分，包括加载数据、fit()等步骤

这个例子中，我们创建了一个包含卷积层、池化层以及全连接层的标准卷积神经网络结构。注意，这只是一个基础模板，实际应用中可能需要根据具体的任务需求调整网络架构和参数。