### 虚拟机中使用 TensorFlow 构建和运行 Python 卷积神经网络 (CNN) 模型 要在虚拟机环境中构建并运行基于 TensorFlow 的卷积神经网络 (CNN)，需要完成以下几个方面的配置与实现： #### 1. 安装必要的依赖环境 在虚拟机中安装 TensorFlow 和其他必要库之前，需确保操作系统支持 GPU 或 CPU 版本的 TensorFlow。如果计划利用 GPU 提升性能，则需要额外安装 NVIDIA 驱动程序以及 CUDA 工具包[^3]。 以下是基本的软件安装命令： ```bash sudo apt-get update sudo apt-get install python3-pip pip3 install --upgrade pip pip3 install tensorflow numpy matplotlib scikit-learn ``` 对于 GPU 支持版本，还需执行以下操作： ```bash # 安装 NVIDIA 驾驶员驱动 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-driver-<version> # 安装 CUDA Toolkit 和 cuDNN 库 wget https://developer.nvidia.com/compute/cuda/.../cuda_<version>_linux.run sudo sh cuda_<version>_linux.run export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` #### 2. 创建虚拟环境 为了隔离不同项目之间的依赖关系，在虚拟机中创建独立的 Python 环境是一个良好的实践方法。 ```bash python3 -m venv tf_env source tf_env/bin/activate pip install tensorflow==<desired_version> ``` #### 3. 数据集准备 数据集的选择取决于具体的应用场景。例如交通标志识别系统可能需要用到 GTSRB（German Traffic Sign Recognition Benchmark）数据集[^1]。下载完成后将其解压到指定目录，并编写脚本来加载这些图像文件作为输入张量。 #### 4. 编写 CNN 模型定义代码 下面展示了一个简单的 CNN 结构用于分类任务的例子： ```python import tensorflow as tf from tensorflow.keras import layers, models def create_cnn_model(input_shape, num_classes): model = models.Sequential() # 添加第一个卷积层+池化层 model.add(layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape)) model.add(layers.MaxPooling2D(pool_size=(2, 2))) # 第二个卷积层+池化层 model.add(layers.Conv2D(64, kernel_size=(3, 3), activation='relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2))) # 展平处理 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(128, activation='relu')) # 输出层 model.add(layers.Dense(num_classes, activation='softmax')) return model ``` #### 5. 训练模型 通过调用 `model.fit()` 方法来训练上述定义好的 CNN 模型。注意设置合适的批量大小、迭代次数以及其他超参数以优化学习效果。 ```python batch_size = 32 epochs = 10 history = model.fit(train_images, train_labels, batch_size=batch_size, epochs=epochs, validation_data=(test_images, test_labels), verbose=1) ``` #### 6. 测试与评估 最后一步是对测试集中未见过的数据进行预测，并计算准确率或其他评价指标。 ```python score = model.evaluate(test_images, test_labels, verbose=0) print('Test loss:', score[0]) print('Test accuracy:', score[1]) ``` --- ###