创建模型

TensorFlow卷积神经网络（CNN）教程

卷积神经网络（CNN）是一种在图像识别、图像分类等计算机视觉任务中非常有效的神经网络。本文将为您介绍TensorFlow中如何使用CNN进行图像识别。

CNN基础

CNN通过卷积层、池化层和全连接层等结构，对图像进行特征提取和分类。

• 卷积层：用于提取图像特征。
• 池化层：用于降低特征的空间维度，减少计算量。
• 全连接层：用于对提取的特征进行分类。

TensorFlow CNN示例

以下是一个使用TensorFlow实现CNN的简单示例：

import tensorflow as tf


model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
model.evaluate(x_test, y_test)

扩展阅读

如果您想了解更多关于TensorFlow CNN的信息，可以阅读以下教程：

• TensorFlow官方文档 - 卷积神经网络

TensorFlow Logo