卷积神经网络 图像识别垃圾分类代码

卷积神经网络（Convolutional Neural Network，简称CNN）是一种专门用于处理网格状数据，如图像的深度学习模型。在图像识别任务，特别是垃圾分类中，CNN通过几个关键层来工作：

1. **卷积层**：利用滤波器（也称卷积核）对输入图像进行特征提取，每个滤波器可以检测出图像中的特定特征，比如边缘、纹理等。

2. **池化层**：降低数据维度，减少计算量，并提高模型对位置变化的鲁棒性。常见的有最大池化或平均池化。

3. **激活函数**：如ReLU（Rectified Linear Unit），引入非线性，使得模型能够表示更复杂的模式。

4. **全连接层**：将前面卷积层得到的高维特征图展平成一维向量，然后通过一系列的全连接层进行分类决策。

5. **softmax输出层**：通常最后一层采用softmax函数，将输出转换为概率分布，对应于每个类别的可能性。

下面是一个简单的Python代码示例（使用Keras库），展示如何构建一个基本的CNN用于图像垃圾分类：

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

# 假设我们有一个(32x32)像素的图片和三个类别
input_shape = (32, 32, 3)
num_classes = 3

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型，指定损失函数、优化器和评估指标
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 使用训练数据拟合模型
model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

# 预测新的图片
predictions = model.predict(new_image)

这只是一个基础例子，实际应用中还需要数据预处理、数据增强、模型调参等步骤。