支持向量机（Support Vector Machine，SVM）

最新推荐文章于 2024-10-08 21:04:35 发布

亿星海

最新推荐文章于 2024-10-08 21:04:35 发布

阅读量71

点赞数

文章标签：支持向量机算法机器学习

本文链接：https://blog.csdn.net/kankan_s/article/details/131991211

版权

本文介绍了如何使用Python中的TensorFlow和Keras库构建一个简单的卷积神经网络（CNN）模型，该模型针对MNIST数据集进行手写数字的图像分类。通过预处理数据、构建CNN模型、编译和训练模型，最终在测试集上评估模型的准确率。

摘要由CSDN通过智能技术生成

卷积神经网络（Convolutional Neural Network，CNN）是一类用于图像识别、计算机视觉和其他类似任务的深度学习模型。CNN 在处理图像等二维数据时具有很强的表现力，因为它能够自动学习图像中的特征，并在后续层级中进行抽象和分类。

在Python中，我们可以使用深度学习库如TensorFlow或Keras来实现CNN。下面是一个简单的CNN示例，用于对手写数字图像进行分类，使用TensorFlow和Keras库：

首先，确保已经安装了TensorFlow和Keras：

pip install tensorflow
pip install keras

然后，以下是一个CNN示例：

import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.utils import to_categorical

# 加载MNIST数据集并进行预处理
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.0
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.0
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 构建CNN模型
model = Sequential([
    Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D(pool_size=(2, 2)),
    Conv2D(64, kernel_size=(3, 3), activation='relu'),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=5, validation_data=(x_test, y_test))

# 在测试集上评估模型
test_loss, test_accuracy = model.evaluate(x_test, y_test)
print("测试集损失:", test_loss)
print("测试集准确率:", test_accuracy)

在这个示例中，我们使用了TensorFlow和Keras构建了一个简单的CNN模型，用于对MNIST手写数字数据集进行分类。该模型包含两个卷积层和池化层，然后通过全连接层和Softmax激活函数输出最终的分类结果。我们使用Adam优化器和交叉熵损失函数进行编译，并在训练集上进行了5个epoch的训练。最后，我们在测试集上评估了模型的性能，并输出了测试集的损失和准确率。