使用 TensorFlow 实现 ZFNet 进行 MNIST 图像分类

        ZFNet（ZF-Net）是由 Matthew Zeiler 和 Rob Fergus 提出的卷积神经网络架构，它在图像分类任务中取得了显著的效果。它在标准卷积神经网络（CNN）的基础上做了一些创新，例如优化了卷积核大小和池化策略，使得网络在处理图像时表现得更加高效。

        本文将详细介绍如何使用 TensorFlow 2.x 实现 ZFNet，在 MNIST 数据集上进行图像分类，并将训练部分和测试部分分开进行讲解。

1. 环境准备

        首先，我们需要确保已安装 TensorFlow 和其他相关库。在命令行中执行以下命令进行安装：

pip install tensorflow matplotlib numpy

2. 训练部分：构建和训练 ZFNet 模型

        在训练部分，我们将加载 MNIST 数据集，构建 ZFNet 模型，并在 GPU 或 CPU 上进行训练。

2.1 加载并预处理 MNIST 数据集

        MNIST 数据集包含了 70,000 张手写数字图像，训练集包含 60,000 张，测试集包含 10,000 张。在加载数据后，我们需要对数据进行预处理：标准化和调整大小。

import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from zfnet import create_zfnet_model  # 从 zfnet.py 导入模型创建函数


def prepare_data():
    """
    准备 MNIST 数据集并进行预处理
    :return: 训练集和测试集的图像及标签
    """
    # 加载 MNIST 数据集
    (x_train, y_train), (x_test, y_test) = mnist.load_data()

    # 数据预处理：标准化、调整大小、添加维度
    x_train = x_train.astype('float32') / 255.0
    x_test = x_test.astype('float32') / 255.0

    # 调整图像大小并添加额外维度 (32x32, 1通道)
    x_train = tf.image.resize(x_train[..., tf.newaxis], (32, 32))
    x_test = tf.image.resize(x_test[..., tf.newaxis], (32, 32))

    # 确保数据类型是 float32
    x_train = tf.cast(x_train, tf.float32)
    x_test = tf.cast(x_test, tf.float32)

    # 类别标签 one-hot 编码
    y_train = to_categorical(y_train, 10)
    y_test = to_c