TensorFlow+CNN实现图像分类的示例代码

以下是一个使用TensorFlow和卷积神经网络（CNN）进行图像分类的示例代码：

import tensorflow as tf

# 设置随机种子，以便结果可重复
tf.random.set_seed(42)

# 加载数据集（例如MNIST数据集）
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 对数据进行预处理
x_train = x_train / 255.0
x_test = x_test / 255.0

# 将标签进行独热编码
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Reshape(target_shape=(28, 28, 1), input_shape=(28, 28)),
    tf.keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units=128, activation='relu'),
    tf.keras.layers.Dense(units=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, epochs=10, batch_size=32, validation_data=(x_test, y_test))

# 评估模型
loss, accuracy = model.evaluate(x_test, y_test)
print('Test Loss:', loss)
print('Test Accuracy:', accuracy)

在这个例子中，我们首先加载了MNIST数据集，并对数据进行了预处理。然后我们定义了一个包含卷积、池化和全连接层的卷积神经网络模型。接下来，我们编译模型并使用训练数据进行训练。最后，我们评估模型在测试数据上的性能。