TensorFlow CIFAR-10 代码指南

本指南将为您介绍如何使用 TensorFlow 框架来训练和测试 CIFAR-10 数据集。CIFAR-10 是一个包含 10 个类别、60,000 张 32x32 彩色图像的数据集，常用于图像识别任务。

安装 TensorFlow

在开始之前，请确保您已经安装了 TensorFlow。您可以通过以下命令进行安装：

pip install tensorflow

数据加载

首先，我们需要加载 CIFAR-10 数据集。TensorFlow 提供了内置的函数来加载这个数据集。

import tensorflow as tf

# 加载 CIFAR-10 数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.cifar10.load_data()

数据预处理

在训练模型之前，我们需要对数据进行一些预处理。

# 将像素值归一化到 [0, 1] 范围内
train_images, test_images = train_images / 255.0, test_images / 255.0

构建模型

接下来，我们可以构建一个简单的卷积神经网络模型。

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

编译和训练模型

现在，我们可以编译和训练我们的模型。

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

model.fit(train_images, train_labels, epochs=10)

评估模型

最后，我们可以使用测试数据集来评估我们的模型。

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)