好的！下面是一个简单的基于卷积神经网络 (CNN) 的 Python 代码示例，用于对 CIFAR-10 数据集进行分类。 --- ### 使用 CNN 实现 CIFAR-10 分类 ```python import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.datasets import cifar10 from tensorflow.keras.utils import to_categorical # 加载并预处理数据 (train_images, train_labels), (test_images, test_labels) = cifar10.load_data() # 归一化图像像素值到 [0, 1] 范围内 train_images = train_images / 255.0 test_images = test_images / 255.0 # 将标签转换为 one-hot 编码 num_classes = 10 train_labels = to_categorical(train_labels, num_classes) test_labels = to_categorical(test_labels, num_classes) # 构建 CNN 模型 model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 添加全连接层 model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(num_classes, activation='softmax')) # 输出层有 10 类 # 查看模型结构 model.summary() # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels)) # 测试模型性能 test_loss, test_acc = model.evaluate(test_images, test_labels) print(f"测试准确率: {test_acc}") ``` --- #### 说明： 1. **数据加载与预处理** - `cifar10` 包含 50000 张训练图片和 10000 张测试图片，每张大小为 \(32 \times 32\) 像素，并分为 10 类别。 - 图像归一化是为了加速收敛并将输入范围限制在 `[0, 1]` 内。 - 标签通过 `to_categorical()` 转换为 one-hot 表示形式。 2. **CNN 结构设计** - 卷积层 (`Conv2D`) 提取局部特征。 - 最大池化层 (`MaxPooling2D`) 减少计算量同时保留重要信息。 - 全连接层将提取的特征映射到类别空间。 3. **损失函数与优化器选择** - 因为这是一个多分类任务，所以选择了交叉熵损失函数（`categorical_crossentropy`）。 - Adam 是一种常用的自适应学习率算法，适合深度学习场景。 --- ### 运行结果预期： 经过多次迭代后，您应该能看到模型逐渐提升其验证集上的精度。最终测试集上可以达到约 70% 到 80% 的准确率（取决于具体的超参数设置和随机种子）。 ---