阅读量:0
使用卷积神经网络（CNN）在Keras中非常简单。以下是一个简单的例子，演示如何构建一个简单的CNN模型：
from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense # 创建一个Sequential模型 model = Sequential() # 添加第一个卷积层 model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # 添加最大池化层 model.add(MaxPooling2D(pool_size=(2, 2))) # 添加第二个卷积层 model.add(Conv2D(64, (3, 3), activation='relu')) # 添加最大池化层 model.add(MaxPooling2D(pool_size=(2, 2))) # 添加Flatten层 model.add(Flatten()) # 添加全连接层 model.add(Dense(128, activation='relu')) # 添加输出层 model.add(Dense(10, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 打印模型结构 model.summary() 在这个例子中，我们创建了一个简单的CNN模型，包含两个卷积层和两个最大池化层，然后是一个Flatten层和两个全连接层。最后，我们编译了模型并打印了模型的结构。
你可以根据自己的需求和数据集调整模型的结构和参数，以获得更好的性能。训练和测试模型的方法与在Keras中的其他模型一样，你可以使用fit()方法进行训练和evaluate()方法进行测试。
