images, labels = load_images_and_labels(dataset_dir, (200,200)) # 归一化图像数据 images = images / 255.0 # 构建CNN模型 model = Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 3)), MaxPooling2D((2, 2)), Conv2D(64, (3, 3), activation='relu'), MaxPooling2D((2, 2)), Conv2D(128, (3, 3), activation='relu'), MaxPooling2D((2, 2)), Flatten(), Dense(128, activation='relu'), Dense(len(np.unique(labels)), activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(images, labels, epochs=10) # 保存模型 model.save('fruit_classifier_model.h5')

这段代码的作用是什么？

这段代码用于构建、训练和保存一个卷积神经网络模型，用于对水果图像进行分类。首先调用load_images_and_labels函数加载数据集，并将图像数据进行归一化处理。然后，通过Sequential类构建一个卷积神经网络模型，该模型包含3个卷积层和2个全连接层。其中，每个卷积层都包含一个卷积核、一个ReLU激活函数和一个最大池化层，用于提取图像特征；每个全连接层都包含一个ReLU激活函数和一个softmax激活函数，用于输出分类结果。接着，使用compile方法编译模型，指定优化器为Adam、损失函数为sparse_categorical_crossentropy、评估指标为准确率。然后，使用fit方法对模型进行训练，指定训练数据为images和labels，训练轮数为10。最后，使用save方法保存训练好的模型到文件fruit_classifier_model.h5中。