CNN图像回归代码

以下是一个简单的CNN图像回归代码示例，用于预测图像中的数字：

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将像素值缩放到 [0, 1] 范围内
x_train = x_train.astype(np.float32) / 255.0
x_test = x_test.astype(np.float32) / 255.0

# 添加通道维度
x_train = np.expand_dims(x_train, axis=-1)
x_test = np.expand_dims(x_test, axis=-1)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1)
])

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

# 训练模型
model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.1)

# 评估模型
test_loss, test_mae = model.evaluate(x_test, y_test)
print('Test MAE: ', test_mae)

# 随机选择一张测试图像进行预测
index = np.random.randint(0, len(x_test))
image = x_test[index]
label = y_test[index]
predict = model.predict(np.expand_dims(image, axis=0))[0][0]

# 显示结果
plt.imshow(image.squeeze(), cmap='gray')
plt.title('True label: %d, Predicted label: %.2f' % (label, predict))
plt.show()

在这个例子中，我们使用了三层卷积层和两层全连接层的CNN模型，使用均方误差作为损失函数进行训练。我们也评估了模型在测试集上的表现，并随机选择了一张测试图像进行预测和可视化。