卷积神经网络（CNN）是深度学习领域中用于图像处理和计算机视觉任务的重要工具。TensorFlow 是一个强大的开源机器学习框架，提供了丰富的工具来构建和训练神经网络。本文将介绍如何使用 TensorFlow 搭建一个简单的两层卷积神经网络（CNN），用于图像分类任务。
在开始之前，确保你已经安装了 TensorFlow。如果没有安装，可以通过以下命令安装：
pip install tensorflow
我们将使用 TensorFlow 内置的 MNIST 数据集作为示例。MNIST 数据集包含 28x28 像素的手写数字图像，每个图像都有一个对应的标签（0-9）。
计算
安全
数据库
网络和加速
企业服务
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
# 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
# 归一化图像数据到0-1之间
train_images = train_images / 255.0
test_images = test_images / 255.0
# 增加一个维度以适应CNN的输入格式
train_images = train_images[..., tf.newaxis]
test_images = test_images[..., tf.newaxis]
接下来，我们将构建一个包含两个卷积层和一个全连接层的CNN网络。
model = models.Sequential([
# 第一层卷积层，32个3x3的卷积核，激活函数为ReLU
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
# 最大池化层，池化窗口大小为2x2
layers.MaxPooling2D((2, 2)),
# 第二层卷积层，64个3x3的卷积核，激活函数为ReLU
layers.Conv2D(64, (3, 3), activation='relu'),
# 最大池化层，池化窗口大小为2x2
layers.MaxPooling2D((2, 2)),
# 将多维数据展平为一维
layers.Flatten(),
# 全连接层，64个神经元，激活函数为ReLU
layers.Dense(64, activation='relu'),
# 输出层，10个神经元（对应10个类别），激活函数为softmax
layers.Dense(10, activation='softmax')
])
在训练模型之前，我们需要编译模型，指定损失函数、优化器和评估指标。
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
现在我们可以开始训练模型了。我们将使用训练数据训练模型，并在测试数据上评估模型的性能。
# 训练模型，5个epoch
model.fit(train_images, train_labels, epochs=5)
# 在测试数据上评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")
经过训练后，模型在测试集上的准确率通常会达到 98% 左右。这表明我们构建的两层CNN网络在 MNIST 数据集上表现良好。
本文介绍了如何使用 TensorFlow 搭建一个简单的两层卷积神经网络，并在 MNIST 数据集上进行训练和评估。通过这个例子，你可以了解到 CNN 的基本结构以及如何使用 TensorFlow 构建和训练神经网络。希望这篇文章对你理解和使用 TensorFlow 有所帮助！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
原文链接：https://my.oschina.net/u/4218785/blog/4590753
