基于tensorflow 高光谱图像分类代码

以下是一个基于TensorFlow的高光谱图像分类代码示例：

import tensorflow as tf
import numpy as np

# 加载数据
data = np.load('data.npy')
labels = np.load('labels.npy')

# 划分训练集和测试集
train_data = data[:800]
train_labels = labels[:800]
test_data = data[800:]
test_labels = labels[800:]

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(data.shape[1], data.shape[2])),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(train_data, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_data, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

# 预测新数据
predictions = model.predict(test_data)

这是一个简单的全连接神经网络模型，输入为高光谱图像，输出为分类结果。在训练数据上训练完成后，可以使用测试数据进行模型评估，并使用模型对新数据进行分类预测。