### 使用 TensorFlow 和 Keras 构建卷积神经网络（CNN）的实验教程 以下是基于 TensorFlow 和 Keras 搭建 CNN 的详细说明，涵盖了从数据准备到模型训练的过程。 #### 1. 数据集加载与预处理 在构建 CNN 模型之前，需要准备好用于训练的数据集。通常会使用 `tf.keras.datasets` 加载常用数据集，如 MNIST 或 CIFAR-10。对于自定义数据集，则可以通过 `tf.data.Dataset` 进行加载和预处理[^1]。 ```python from tensorflow.keras.datasets import mnist import numpy as np # 加载MNIST数据集 (x_train, y_train), (x_test, y_test) = mnist.load_data() # 归一化图像像素值至[0, 1] x_train = x_train.astype('float32') / 255. x_test = x_test.astype('float32') / 255. # 调整输入形状以适应CNN需求 x_train = np.expand_dims(x_train, axis=-1) x_test = np.expand_dims(x_test, axis=-1) # 将标签转换为one-hot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) ``` #### 2. 定义 CNN 模型结构 利用 Keras 提供的功能模块来设计 CNN 结构。常见的操作包括卷积层 (`Conv2D`)、池化层 (`MaxPooling2D`) 和全连接层 (`Dense`) 等[^4]。 ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout model = Sequential([ # 第一层卷积+池化 Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), MaxPooling2D(pool_size=(2, 2)), # 第二层卷积+池化 Conv2D(64, kernel_size=(3, 3), activation='relu'), MaxPooling2D(pool_size=(2, 2)), # 展平层 Flatten(), # 全连接层 Dense(128, activation='relu'), # 防止过拟合的Dropout层 Dropout(0.5), # 输出层 Dense(10, activation='softmax') ]) ``` #### 3. 编译模型 指定优化器、损失函数以及评估指标以便于后续训练过程中的性能监控[^2]。 ```python model.compile( loss=tf.keras.losses.categorical_crossentropy, optimizer=tf.keras.optimizers.Adam(), metrics=['accuracy'] ) ``` #### 4. 训练模型 调用 `.fit()` 方法启动训练流程，并设置批量大小（batch size）、迭代次数（epochs）以及其他参数[^3]。 ```python history = model.fit( x_train, y_train, batch_size=128, epochs=12, validation_split=0.1 ) ``` #### 5. 测试模型表现 完成训练之后，在独立测试集中验证模型效果。 ```python test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` 以上即是一个完整的使用 TensorFlow 及其高层 API —— Keras 来创建并运行 CNN 实验的基础框架[^1]^。 --- ###