编写一个二维卷积神经网络python代码

### 使用 Keras 构建二维卷积神经网络（CNN） 以下是一个完整的基于 Keras 的二维卷积神经网络（CNN）代码示例，适用于图像分类任务。该 CNN 结构包括输入层、多个卷积层、激活层、池化层、全连接层和输出层。 #### 数据准备 假设我们正在处理 MNIST 手写数字数据集，这是一个经典的图像分类问题。MNIST 数据集中每张图片大小为 28×28 像素，属于灰度图。 ```python import numpy as np from tensorflow.keras import datasets, layers, models from tensorflow.keras.utils import to_categorical # 加载并预处理 MNIST 数据集 (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) ``` #### 定义 CNN 模型 下面定义了一个简单的 CNN 模型，包含两个卷积层、ReLU 激活函数、最大池化层以及一个全连接层。 ```python model = models.Sequential() # 添加第一个卷积层和 ReLU 激活函数 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # 添加最大池化层 model.add(layers.MaxPooling2D((2, 2))) # 添加第二个卷积层和 ReLU 激活函数 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 添加另一个最大池化层 model.add(layers.MaxPooling2D((2, 2))) # 添加第三个卷积层和 ReLU 激活函数 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 展平操作以便于后续的全连接层 model.add(layers.Flatten()) # 添加全连接层 model.add(layers.Dense(64, activation='relu')) # 输出层，使用 softmax 激活函数进行多类别分类 model.add(layers.Dense(10, activation='softmax')) ``` #### 编译模型 指定优化器、损失函数和评估指标。 ```python model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` #### 训练模型 设置训练轮数（epochs）和批量大小（batch size），开始训练过程。 ```python history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.1) ``` #### 测试模型性能 利用测试集验证模型的表现。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` --- ### 关键点解析 - **卷积层**：负责提取局部特征[^1]。 - **池化层**：降低维度，减少参数数量，防止过拟合[^1]。 - **激活函数**：引入非线性变换，增强模型表达能力。这里选择了常用的 ReLU 和 Softmax 函数[^3]。 - **全连接层**：将前面各层提取到的空间层次特征映射至样本标记空间。 ---