CNN卷积神经网络代码加实战训练python实现

CNN (Convolutional Neural Network) 卷积神经网络是一种深度学习模型，常用于图像识别、计算机视觉等领域，因为它们能够自动从输入数据中提取特征。在Python中，最常用的库如TensorFlow或PyTorch可以方便地实现CNN。

下面是一个简单的使用Keras库（它基于TensorFlow）创建和训练CNN的基本步骤：

# 导入必要的库
import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

# 数据预处理（归一化）
train_images, test_images = train_images / 255.0, test_images / 255.0

# 将图像调整为4D张量（适合卷积操作）
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

# 创建模型
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))  # 输出层，10表示MNIST有10个数字类别

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
history = model.fit(train_images, train_labels, epochs=10, 
                    validation_data=(test_images, test_labels))

# 评估模型性能
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(f"Test accuracy: {test_acc}")

在这个例子中，我们首先加载并预处理数据，然后创建一个包含两个卷积层、池化层和全连接层的简单CNN架构。接下来，编译模型，指定优化器和损失函数，最后训练模型并在测试集上验证其性能。