本例中展示了 如何训练一个简单的卷积神经网络 (CNN) 来对 CIFAR 图像进行分类。由于本教程使用的是 Keras Sequential API，创建和训练模型只需要几行代码。
1. CIFAR10数据集准备
CIFAR10 数据集包含 10 类，共 60000 张彩色图片，每类图片有 6000 张。**此数据集中 50000 个样例被作为训练集，剩余 10000 个样例作为测试集。**类之间相互独立，不存在重叠的部分。
首先我们需要导入相关的包：
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
下载并准备CIFAR10数据集：
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
train_images, test_images = train_images/255.0, test_images/255.0 # 对图片进行归一化
print(len(train_images)) # 50000
print(len(test_images)) # 10000
# print(train_images.shape) # (50000, 32, 32, 3)
# print(train_labels.shape) # (50000, 1)
验证数据：为了验证数据集看起来是否正确，我们绘制训练集中的前 25 张图像并在每张图像下方显示类名称。
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
plt.figure(figsize=(10, 10))
for i in range(25):
plt.subplot(5, 5, i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i])
plt.xlabel(class_names[train_labels[i][0]])
plt.show()
2. 构造卷积神经网络模型
**CNN 将形状为 (image_height, image_width, color_channels) 的张量作为输入，**忽略批次大小。如果您不熟悉这些维度，color_channels 是指 (R,G,B)。在此示例中，您将配置 CNN 以处理形状为 (32, 32, 3) 的输入，即 CIFAR 图像的格式。您可以通过将参数 input_shape 传递给第一层来实现此目的。
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.summary()
在上面的结构中，您可以看到每个 Conv2D 和 MaxPooling2D 层的输出都是一个三维的张量 (Tensor)，其形状描述了 (height, width, channels)。越深的层中，宽度和高度都会收缩。每个 Conv2D 层输出的通道数量 (channels) 取决于声明层时的第一个参数（如：上面代码中的 32 或 64）。这样，由于宽度和高度的收缩，您便可以（从运算的角度）增加每个 Conv2D 层输出的通道数量 (channels)。
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
# 增加Dense层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
增加Dense层后，模型的框架如下所示：
网络摘要显示 (4, 4, 64) 输出在经过两个 Dense 层之前被展平为形状为 (1024) 的向量。
3. 编译并训练模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10,
validation_data=(test_images, test_labels))
训练结果如下所示：
4. 评估模型
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
plt.show()
我们可以看到准确率是随着epoch的增加而增加的。我们用model.evaluate()来评估模型的准确率。
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(test_acc) # 0.7170000076293945
我们可以将epoch数值改成50/100，观察模型的效果会如何变化？
当epoch为50时，准确率如下所示：
当epoch为100时，我们可以看到验证集准确率在第20-40个epoch中间呈现下降趋势（训练集准确率增长趋于缓慢）。
基于上述准确率的变化，我们将epoch设置为20，查看效果。
当epoch为20时，模型性能明显优于epoch为100时。我们认为，可能是因为当epoch=100时，模型过拟合。
上述我们构建的简单的CNN准确率已经达到了70%以上。对于只有几行的代码来说，效果不错！
