用Python写一个卷积神经网络

好的，以下是用 Python 实现一个简单的卷积神经网络（Convolutional Neural Network, CNN），用于对手写数字进行识别。

首先，我们需要导入必要的库和数据集：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

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

# 对图像做归一化处理
x_train, x_test = x_train / 255.0, x_test / 255.0

# 增加一个维度，使得输入符合 CNN 的要求
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

# 创建训练数据集和测试数据集
train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

接下来，我们可以定义一个包含两个卷积层和两个全连接层的 CNN：

class MyCNN(tf.keras.Model):
    def __init__(self):
        super(MyCNN, self).__init__()
        self.conv1 = tf.keras.layers.Conv2D(32, 3, activation='relu', input_shape=(28, 28, 1))
        self.pool1 = tf.keras.layers.MaxPooling2D()
        self.conv2 = tf.keras.layers.Conv2D(64, 3, activation='relu')
        self.pool2 = tf.keras.layers.MaxPooling2D()
        self.flatten = tf.keras.layers.Flatten()
        self.fc1 = tf.keras.layers.Dense(128, activation='relu')
        self.fc2 = tf.keras.layers.Dense(10, activation='softmax')

    def call(self, x):
        x = self.conv1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.pool2(x)
        x = self.flatten(x)
        x = self.fc1(x)
        return self.fc2(x)

注意，这里的输入数据形状为 `(28, 28, 1)`，因为 MNIST 数据集中的图像大小为 28x28，且是灰度图像（只有一个通道）。

最后，我们可以编写训练和测试的代码：

# 创建模型实例
model = MyCNN()

# 定义损失函数和优化器
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adam()

# 训练模型
for epoch in range(5):
    for images, labels in train_ds:
        with tf.GradientTape() as tape:
            predictions = model(images)
            loss = loss_fn(labels, predictions)
        gradients = tape.gradient(loss, model.trainable_variables)
        optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    print('Epoch {}, loss={}'.format(epoch, loss))

# 测试模型
accuracy = tf.keras.metrics.SparseCategoricalAccuracy()
for images, labels in test_ds:
    predictions = model(images)
    accuracy.update_state(labels, predictions)
print('Test accuracy: {}'.format(accuracy.result()))

这里我们训练了 5 个 epochs，并在测试数据集上计算了模型的准确率。