letnet神经网络python代码

LeNet是一种经典的卷积神经网络，可以用于图像分类任务。以下是使用Python实现LeNet的代码示例：

import tensorflow as tf
from tensorflow.keras import layers

# 定义LeNet模型
def lenet(input_shape, num_classes):
    model = tf.keras.Sequential([
        layers.Conv2D(32, (5, 5), activation='relu', input_shape=input_shape),
        layers.MaxPooling2D((2, 2)),
        layers.Conv2D(64, (5, 5), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        layers.Flatten(),
        layers.Dense(120, activation='relu'),
        layers.Dense(84, activation='relu'),
        layers.Dense(num_classes, activation='softmax')
    ])
    return model

# 实例化LeNet模型
model = lenet(input_shape=(28, 28, 1), num_classes=10)

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

# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

在上面的代码中，我们使用了TensorFlow和Keras库来实现LeNet模型。其中，`layers`模块提供了方便的层级API，我们可以使用它来构建模型。在`lenet`函数中，我们定义了卷积层、池化层和全连接层，并将它们串联在一起构成了一个完整的LeNet模型。在训练模型时，我们使用了`fit`函数来进行优化，并在训练过程中对模型进行评估。