Python深度学习-训练图像

使用Python deep learning库（如Keras、PyTorch等）来训练图像分类模型。以下是使用Keras训练图像分类模型的示例代码：

# import required libraries
import numpy as np
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten

# create model
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100, 100, 3)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

# compile model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# train model
model.fit(train_images, train_labels, epochs=10, batch_size=32, validation_data=(val_images, val_labels))

以上代码中，我们基于Keras创建了一个包含三个卷积层和一个全连接层的图像分类模型。我们使用二分类交叉熵作为损失函数，使用Adam优化器进行模型训练。我们使用训练集训练模型，并在验证集上进行验证来评估模型的性能。我们使用“fit”方法来训练模型，其中我们指定了训练图像、训练标签、训练轮数、批大小和验证数据。