本文将介绍如何使用 TensorFlow Keras 进行图像分类。以下是一个简单的流程，帮助您快速入门。
1. 环境准备
在开始之前，请确保您的系统中已安装以下软件：
- Python 3.x
- TensorFlow
- Keras
您可以通过以下命令安装 TensorFlow：
pip install tensorflow
2. 数据集
对于图像分类任务，我们需要一个数据集。这里我们使用著名的 MNIST 数据集，它包含了 0 到 9 的手写数字图像。
from tensorflow.keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
3. 数据预处理
将图像数据转换为适合模型训练的格式。
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255
4. 构建模型
下面是一个简单的卷积神经网络模型，用于图像分类。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
MaxPooling2D(2, 2),
Flatten(),
Dense(64, activation='relu'),
Dense(10, activation='softmax')
])
5. 编译和训练模型
编译模型并开始训练。
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
6. 评估模型
在测试集上评估模型的性能。
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)
扩展阅读
如果您想了解更多关于 TensorFlow 和 Keras 的信息，请访问我们的 TensorFlow 教程 页面。
[
希望这篇文章对您有所帮助！😊