TensorFlow CNN 教程

卷积神经网络（CNN）是深度学习中一种非常流行的神经网络结构，特别适用于图像识别、图像分类等任务。本教程将为您介绍如何使用 TensorFlow 构建 CNN。

CNN 简介

卷积神经网络是一种特殊的多层感知器，主要用于图像识别和图像处理。CNN 的主要特点包括：

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：用于分类。

简单的 CNN 示例

以下是一个简单的 CNN 示例，用于识别猫和狗：

import tensorflow as tf

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 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.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

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

# 查看模型结构
model.summary()

查看更多教程

如果您想学习更多关于 TensorFlow 的知识，可以访问我们的 TensorFlow 教程页面。