手把手教你用TensorFlow构建图像分类模型

简介

图像分类是计算机视觉的基础任务。本文将使用TensorFlow 3.0（2026年最新版）和Keras API，在CIFAR-10数据集上构建一个卷积神经网络（CNN）。

环境准备

首先安装TensorFlow 3.0：

pip install tensorflow==3.0.0

导入库：

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

数据加载与预处理

CIFAR-10包含10个类别的60000张32x32彩色图像。

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化

构建模型

我们使用一个简单的CNN结构：

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

编译与训练

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
history = model.fit(x_train, y_train, epochs=10, 
                    validation_data=(x_test, y_test))

评估模型

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'测试准确率: {test_acc:.4f}')

结果可视化

绘制训练曲线：

plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.legend()
plt.show()

进阶优化

• 数据增强：使用ImageDataGenerator随机翻转、旋转图像
• 迁移学习：使用预训练模型如ResNet50
• 超参数调优：调整学习率、批大小等

总结

通过本教程，你学会了用TensorFlow构建图像分类模型。这是深度学习入门的经典案例，希望你在此基础上继续探索！