在Jupyter Notebook运行cnn代码

### 如何在 Jupyter Notebook 中运行卷积神经网络 (CNN) 代码 为了在 Jupyter Notebook 中成功运行 CNN 代码，环境配置和数据准备至关重要。以下是详细的说明： #### 安装必要的库 确保安装了 TensorFlow 或 PyTorch 等深度学习框架以及其它辅助工具如 Keras 和 Matplotlib。 ```bash pip install tensorflow keras matplotlib numpy scikit-image opencv-python ``` #### 导入所需模块 导入用于构建模型、处理图像和其他操作所需的 Python 库。 ```python import os from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout from tensorflow.keras.preprocessing.image import ImageDataGenerator import matplotlib.pyplot as plt import numpy as np ``` #### 数据预处理 使用 `ImageDataGenerator` 对输入的数据集进行增强并创建训练与验证生成器。 ```python train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) training_set = train_datagen.flow_from_directory('dataset/training_set', target_size=(64, 64), batch_size=32, class_mode='binary') validation_set = test_datagen.flow_from_directory('dataset/validation_set', target_size=(64, 64), batch_size=32, class_mode='binary') ``` #### 构建 CNN 模型结构 定义一个简单的 CNN 结构来执行二分类任务。 ```python model = Sequential() # 添加第一个卷积层 model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=[64, 64, 3])) model.add(MaxPooling2D(pool_size=(2, 2))) # 添加第二个卷积层 model.add(Conv2D(64, kernel_size=(3, 3), activation='relu')) model.add(MaxPooling2D(pool_size=(2, 2))) # 展平层 model.add(Flatten()) # 全连接层 model.add(Dense(units=128, activation='relu')) # 输出层 model.add(Dense(units=1, activation='sigmoid')) ``` #### 编译模型 指定损失函数、优化算法及评估指标。 ```python model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) ``` #### 训练模型 利用之前设置好的数据生成器来进行模型训练过程，并记录下历史信息以便后续分析。 ```python history = model.fit(training_set, steps_per_epoch=len(training_set), epochs=30, validation_data=validation_set, validation_steps=len(validation_set)) ``` #### 可视化结果 绘制图表展示训练期间的准确性变化趋势。 ```python plt.plot(history.history['accuracy'], label='Train Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.title('Model accuracy over time') plt.ylabel('Accuracy') plt.xlabel('Epoch') plt.legend(loc='upper left') plt.show() plt.plot(history.history['loss'], label='Train Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.title('Model loss over time') plt.ylabel('Loss') plt.xlabel('Epoch') plt.legend(loc='upper left') plt.show() ``` 通过上述步骤，在 Jupyter Notebook 上可以顺利搭建起一套完整的 CNN 流程[^2]。