利用TensorFlow里面cifar这个数据集搭建卷积神经网络
时间: 2023-06-30 18:24:51 浏览: 62
好的,下面是基于TensorFlow中cifar数据集的卷积神经网络的代码:
```
import tensorflow as tf
from tensorflow.keras import layers
# 加载数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()
# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0
# 定义模型
model = tf.keras.models.Sequential([
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
layers.Conv2D(64, (3, 3), activation='relu'),
layers.Flatten(),
layers.Dense(64, activation='relu'),
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
history = model.fit(x_train, y_train, epochs=10,
validation_data=(x_test, y_test))
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(test_acc)
```
以上代码中,我们使用了三个卷积层和两个全连接层,其中卷积层使用了ReLU激活函数,最后一层没有使用激活函数,因为我们使用了`from_logits=True`参数,它表示模型最后一层的输出没有经过softmax激活函数。我们使用随机梯度下降算法(SGD)进行优化,并使用交叉熵损失函数进行训练。最后,我们通过评估模型在测试集上的表现来判断模型的性能。