人工智能学习：CIFAR-10数据分类识别（4）

与MNIST类似，CIFAR-10同样是人工智能学习入门的数据集之一，它包含飞机、汽车、小鸟等10个类别的图片，一共60000张图片，其中训练集占50000张，测试集占10000张。

这里采用CNN网络对CIFAR-10数据集进行分类识别。

1 导入需要的模块
首先，导入需要用到的模块

import numpy as np

import tensorflow as tf
from tensorflow import keras
from keras import models, layers

import matplotlib.pyplot as plt

2 载入数据
利用keras集成的数据集载入CIFAR-10数据集

# load CIFAR-10 dataset
(train_images, train_labels), (test_images, test_labels) = keras.datasets.cifar10.load_data()
# train_images: 50000*32*32*3, train_labels: 50000*1, 
# test_images: 10000*32*32*3, test_labels: 10000*1

# change data shape & types
train_input = train_images.astype('float32')/255
test_input = test_images.astype('float32')/255
train_output = train_labels.astype('int16')
test_output = test_labels.astype('int16')

调用格式和mnist相同。生成train_images、train_labels、test_images、test_labels等四个变量，分别代表训练和测试图像和标记。其中图像数据的维度为Nx32x32x3，表示每张图片为32x32的彩色图片，每一个像素点由一个3维数据表示颜色。这里进行数据处理，把图像数据归一到0-1之间的浮点数。

3 构建模型
构建一个多层的CNN网络，定义构建函数

def build_model():
    model = models.Sequential()
    
    # first layer
    model.add(layers.Conv2D(16, (3,3), padding='same', activation='relu', data_format='channels_last', input_shape=(32,32,3)))
    model.add(layers.Conv2D(