python 采用卷积神经网络构建预测模型的代码实例

这里提供一个使用Keras构建卷积神经网络进行图像分类的代码实例，用于预测手写数字图像的数字。

import tensorflow as tf
from tensorflow import keras

# 加载手写数字数据集
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 对训练和测试数据进行预处理
train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images / 255.0

test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images / 255.0

# 构建卷积神经网络模型
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3), activation='relu'),
    keras.layers.MaxPooling2D((2, 2)),
    keras.layers.Conv2D(64, (3, 3), activation='relu'),
    keras.layers.Flatten(),
    keras.layers.Dense(64, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(train_images, train_labels, epochs=5)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

# 使用模型进行预测
predictions = model.predict(test_images)

在这个模型中，我们使用了三个卷积层和两个池化层来从图像中提取特征。然后将特征展平，并将其输入到两个全连接层中进行分类。我们使用的损失函数是稀疏分类交叉熵，优化器是Adam，评估指标是准确率。在训练过程中，我们对训练数据进行了五次迭代。最后，我们对测试数据进行了评估，并使用模型进行了预测。