机器学习算法用于图像分类

使用卷积神经网络（Convolutional Neural Network, CNN）作为机器学习算法，常见的CNN模型包括LeNet，AlexNet，VGG，GoogLeNet和ResNet等。对于图像分类任务，通常采用交叉熵（Cross Entropy）作为损失函数，使用随机梯度下降（Stochastic Gradient Descent, SGD）或其变体进行模型训练。常用的深度学习框架包括TensorFlow、PyTorch和Keras等。

代码示例（使用Python和TensorFlow）：

import tensorflow as tf

# 定义CNN模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(filters=32, kernel_size=3, activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D(pool_size=2),
    tf.keras.layers.Dropout(0.25),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.5),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

其中，train_images、train_labels、test_images和test_labels是训练集和测试集的图像和标签数据。以上代码为简化版，实际使用时需要进行参数调整和模型优化。