用Python做有趣的AI项目1：用 TensorFlow 实现图像分类（识别猫、狗、汽车等）

项目目标

通过构建卷积神经网络（CNN），让模型学会识别图片中是什么物体。我们将使用 CIFAR-10 数据集，它包含 10 类：飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船和卡车。

🛠️ 开发环境与依赖

安装依赖（用命令行运行）：

bash 复制代码

pip install tensorflow matplotlib numpy

推荐使用 Jupyter Notebook，方便边学边运行，也可以用 VS Code、PyCharm 等编辑器。

第一步：导入库

bash 复制代码

#python
import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt
import numpy as np

这些库的作用：

tensorflow：用于构建和训练神经网络。

matplotlib：用于可视化图片和训练过程。

numpy：用于处理数组和数据操作。

第二步：加载和预处理数据

bash 复制代码

#python
#加载 CIFAR-10 数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.cifar10.load_data()


#归一化处理：将像素值从 0~255 映射到 0~1，提高模型训练效果
x_train = x_train / 255.0
x_test = x_test / 255.0

# CIFAR-10 类别名
class_names = ['飞机', '汽车', '鸟', '猫', '鹿', '狗', '青蛙', '马', '船', '卡车']

第三步：查看数据

bash 复制代码

#python

plt.figure(figsize=(10, 2))
for i in range(10):
    plt.subplot(1, 10, i + 1)
    plt.xticks([]); plt.yticks([])
    plt.imshow(x_train[i])
    plt.xlabel(class_names[y_train[i][0]])
plt.show()

这一部分可以帮你初步理解数据的样子和类别。

第四步：构建 CNN 模型

bash 复制代码

#python

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)  # 输出层：10个类
])

model.summary()  # 查看模型结构

📌 注解：

Conv2D 是卷积层，能提取图像的边缘、角点等特征。

MaxPooling2D 是池化层，用于降维。

Flatten 把多维数据展平成一维。

Dense 是全连接层，用于分类决策。

第五步：编译和训练模型

bash 复制代码

#python

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))

💡 小贴士：

adam 是一种优化器，适合初学者使用。

SparseCategoricalCrossentropy 适合标签是整数而不是 one-hot 的分类任务。

第六步：训练过程可视化

bash 复制代码

#python

plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.xlabel('Epoch'); plt.ylabel('Accuracy')
plt.legend(); plt.grid()
plt.show()

这个图能直观看到模型是否在过拟合或欠拟合。

第七步：评估模型

bash 复制代码

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

第八步：预测和展示结果

bash 复制代码

#python

probability_model = models.Sequential([model, layers.Softmax()])
predictions = probability_model.predict(x_test)


#展示前5张图片及其预测结果
for i in range(5):
    plt.imshow(x_test[i])
    plt.title(f"预测：{class_names[np.argmax(predictions[i])]} / 实际：{class_names[y_test[i][0]]}")
    plt.axis('off')
    plt.show()

第九步：保存与加载模型

bash 复制代码

#python
#保存模型
model.save('cifar10_cnn_model.h5')

#加载模型
new_model = tf.keras.models.load_model('cifar10_cnn_model.h5')

🔄 扩展建议

训练猫狗二分类模型（用 Kaggle 的数据集）。

加 BatchNormalization、Dropout 提升泛化能力。

使用更强的预训练模型如 MobileNet、ResNet。