用python写基于卷积神经网络的岩石图像分类识别

岩石图像分类识别是一个典型的图像分类问题，可以使用卷积神经网络（CNN）来解决。下面是一个基于CNN的岩石图像分类识别的Python示例代码。

首先，我们需要导入必要的库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import keras
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten, Conv2D, MaxPooling2D
from keras.utils import np_utils
from keras.datasets import rockpaperscissors

接下来，我们需要加载数据集并对其进行预处理：

(X_train, y_train), (X_test, y_test) = rockpaperscissors.load_data()

# 将像素值缩放到0到1之间
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 对标签进行编码
y_train = np_utils.to_categorical(y_train, 3)
y_test = np_utils.to_categorical(y_test, 3)

# 调整图像大小
X_train = np.array([keras.preprocessing.image.img_to_array(keras.preprocessing.image.load_img(img, target_size=(150, 150))) for img in X_train])
X_test = np.array([keras.preprocessing.image.img_to_array(keras.preprocessing.image.load_img(img, target_size=(150, 150))) for img in X_test])

# 确认输入形状
input_shape = X_train[0].shape

接下来，我们可以定义CNN模型：

model = Sequential()

# 添加卷积层和最大池化层
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 添加全连接层和输出层
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(3, activation='softmax'))

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

接下来，我们可以训练模型：

history = model.fit(X_train, y_train, batch_size=32, epochs=10, verbose=1, validation_data=(X_test, y_test))

最后，我们可以评估模型性能并进行预测：

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

# 进行预测
predictions = model.predict(X_test)

这是一个基于CNN的岩石图像分类识别的Python示例代码。使用这个代码，你可以构建一个能够对岩石图像进行分类的模型。