# 作业：CNN卷积神经网络 ## 头文件信息 **来源**: CSDN AI作业练习 **平台**: PyCharm 2023.1 **版本**: Python 3.9, TensorFlow 2.12 **程序简介**: 使用TensorFlow实现一个简单的卷积神经网络，用于MNIST手写数字识别任务。 **姓名与时间**: 张三 - 2024年6月5日 --- ## Python代码与逐条注释 ```python import tensorflow as tf # 导入TensorFlow库，用于构建和训练神经网络 from tensorflow.keras import layers, models # 从Keras导入层和模型模块 # 加载MNIST数据集，并进行归一化处理 (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data() # 加载数据 x_train = x_train.reshape(-1, 28, 28, 1).astype("float32") / 255.0 # 调整输入形状为(28,28,1)，并将像素值归一化到[0,1] x_test = x_test.reshape(-1, 28, 28, 1).astype("float32") / 255.0 # 构建CNN模型结构 model = models.Sequential([ # 使用Sequential API创建顺序模型 layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), # 第一层卷积层，32个3x3滤波器，ReLU激活函数 layers.MaxPooling2D((2, 2)), # 最大池化层，2x2窗口 layers.Conv2D(64, (3, 3), activation='relu'), # 第二层卷积层，64个3x3滤波器 layers.MaxPooling2D((2, 2)), # 最大池化层 layers.Flatten(), # 将多维输出展平为向量，便于全连接层处理 layers.Dense(64, activation='relu'), # 全连接层，64个节点 layers.Dense(10, activation='softmax') # 输出层，10类输出，使用Softmax激活 ]) # 编译模型，设置优化器、损失函数和评估指标 model.compile(optimizer='adam', # 使用Adam优化器 loss='sparse_categorical_crossentropy', # 损失函数为稀疏分类交叉熵 metrics=['accuracy']) # 评估指标为准确率 # 训练模型，使用训练集进行拟合 model.fit(x_train, y_train, epochs=5, batch_size=64) # 训练5轮，每批64个样本 # 评估模型，在测试集上计算准确率 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) # verbose=2表示显示详细的评估信息 print(f"\n测试准确率为: {test_acc:.4f}") # 输出测试准确率 ``` --- ## 运行结果（模拟） 在本地运行上述代码时，将得到类似以下的输出： ``` Epoch 1/5 938/938 [==============================] - 15s 15ms/step - loss: 0.1572 - accuracy: 0.9523 Epoch 2/5 938/938 [==============================] - 14s 15ms/step - loss: 0.0445 - accuracy: 0.9861 Epoch 3/5 938/938 [==============================] - 14s 15ms/step - loss: 0.0312 - accuracy: 0.9903 Epoch 4/5 938/938 [==============================] - 14s 15ms/step - loss: 0.0237 - accuracy: 0.9927 Epoch 5/5 938/938 [==============================] - 14s 15ms/step - loss: 0.0189 - accuracy: 0.9942 313/313 [==============================] - 1s 3ms/step - loss: 0.0275 - accuracy: 0.9918 测试准确率为: 0.9918 ``` --- ## 知识点详解 - **卷积层(Conv2D)**：通过滑动滤波器提取图像局部特征，适用于图像处理任务。 - **最大池化(MaxPooling2D)**：降低空间维度，减少参数数量并提升模型鲁棒性。 - **Softmax激活函数**：用于多类别分类问题，将输出转化为概率分布。