Tensorflow2.0-keras-Basic-CNN-优快云博客

本文链接：https://blog.youkuaiyun.com/Elvis__c/article/details/120043378

该博客介绍了如何使用TensorFlow2.0构建一个简单的卷积神经网络（CNN），包括数据预处理、网络结构定义、模型编译、训练及评估。通过实例展示了在MNIST数据集上训练CNN的过程，网络包含卷积层、池化层和全连接层，最终用于手写数字识别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Tensorflow2.0–Basic_CNN

在这里插入图片描述

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
print(tf.__version__)#
# mist数据集

1.构造数据

import matplotlib.pyplot as plt
plt.imshow(x_train[1])
plt.show()

在这里插入图片描述

x_train = x_train.reshape((-1,28,28,1))
x_test = x_test.reshape((-1,28,28,1))

2.构造网络

model = keras.Sequential()
# 卷积
model.add(layers.Conv2D(input_shape=(x_train.shape[1], x_train.shape[2], x_train.shape[3]),
                        filters=32, kernel_size=(3,3), strides=(1,1), padding='valid',
                       activation='relu'))
# 池化
model.add(layers.MaxPool2D(pool_size=(2,2)))#最大池化
# 全连接
model.add(layers.Flatten())
model.add(layers.Dense(32, activation='relu'))
# 分类层
model.add(layers.Dense(10, activation='softmax'))

3.模型配置

model.compile(optimizer=keras.optimizers.Adam(),
             # loss=keras.losses.CategoricalCrossentropy(),  # 需要使用to_categorical
             loss=keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])
model.summary()

在这里插入图片描述

4.模型训练

history = model.fit(x_train, y_train, batch_size=64, epochs=5, validation_split=0.1)
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['training', 'valivation'], loc='upper left')
plt.show()
res = model.evaluate(x_test, y_test)#result