在jupyter写段代码， 使用tensorflow做图像识别

好的，以下是使用 TensorFlow 进行图像识别的代码示例：

首先，需要导入必要的库和模块：

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

然后，我们可以定义模型：

model = keras.Sequential(
    [
        layers.InputLayer(input_shape=(28, 28, 1)),
        layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
        layers.MaxPooling2D(pool_size=(2, 2)),
        layers.Flatten(),
        layers.Dropout(0.5),
        layers.Dense(10, activation="softmax"),
    ]
)

这个模型是一个简单的卷积神经网络，用于对手写数字进行分类。它包含两个卷积层和两个池化层，最后接上一个全连接层进行分类。

然后，我们需要编译模型：

model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])

接下来，我们需要加载数据集。这里我们使用 MNIST 数据集，它包含了一些手写数字的图片和它们对应的标签。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

# 将像素值缩放到 0 到 1 之间
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

# 将标签进行 one-hot 编码
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

最后，我们可以训练模型并评估它的性能：

model.fit(x_train, y_train, batch_size=128, epochs=5, validation_data=(x_test, y_test))

score = model.evaluate(x_test, y_test, verbose=0)
print("Test loss:", score[0])
print("Test accuracy:", score[1])

这段代码会将训练集分成 batch_size 个小批次进行训练，进行 5 个 epochs，然后在测试集上评估模型的性能。