import tensorflow as tf
from tensorflow.keras.datasets import cifar10
1. 加载并预处理 CIFAR-10 数据集
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
像素值归一化（0-255 → 0-1）
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0
标签转换为独热编码（适配多分类任务）
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)
2. 构建卷积神经网络（CNN）模型
model = tf.keras.Sequential([
# 第一个卷积块（提取低级特征）
tf.keras.layers.Conv2D(32, (3, 3), padding='same', activation='relu', input_shape=(32, 32, 3)),
tf.keras.layers.Conv2D(32, (3, 3), padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
tf.keras.layers.Dropout(0.25), # 防止过拟合
# 第二个卷积块（提取中级特征）
tf.keras.layers.Conv2D(64, (3, 3), padding='same', activation='relu'),
tf.keras.layers.Conv2D(64, (3, 3), padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
tf.keras.layers.Dropout(0.25),
# 第三个卷积块（提取高级特征）
tf.keras.layers.Conv2D(128, (3, 3), padding='same', activation='relu'),
tf.keras.layers.Conv2D(128, (3, 3), padding='same', activation='relu'),
tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
tf.keras.layers.Dropout(0.25),
# 全连接层（分类决策）
tf.keras.layers.Flatten(), # 展平特征图
tf.keras.layers.Dense(512, activation='relu'),
tf.keras.layers.Dropout(0.5),
tf.keras.layers.Dense(10, activation='softmax') # 10类输出，概率归一化
])
3. 编译模型（配置训练参数）
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001), # 优化器
loss='categorical_crossentropy', # 多分类损失函数
metrics=['accuracy'] # 评估指标（准确率）
)
4. 训练模型
print("开始训练模型...")
history = model.fit(
x_train, y_train,
batch_size=64, # 每批次训练样本数
epochs=50, # 训练轮次
validation_split=0.1, # 10%训练集作为验证集（监控过拟合）
shuffle=True # 每轮打乱训练数据
)
5. 评估模型（测试集验证泛化能力）
print("\n开始评估模型...")
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"\n测试集结果：损失={test_loss:.4f}，准确率={test_acc:.4f}")
 函数)
