TensorFlow 2 深度学习：图像分类与序列模型

FreeGuideOnline 最新 2026-06-12

1. 环境准备与项目概览

在开始实战之前，我们需要搭建好 TensorFlow 2 的编程环境。本教程使用 Python 3.8+ 和 TensorFlow 2.x，所有代码均在 Jupyter Notebook 或普通 Python 脚本中可运行。

1.1 安装依赖

pip install tensorflow matplotlib numpy pandas scikit-learn

验证安装版本：

import tensorflow as tf
print(tf.__version__)

确保输出 2.x 版本号。

1.2 项目结构说明

本教程将带领你完成两个核心深度学习任务：

  • 任务一：图像分类 – 使用 CNN 对 CIFAR-10 数据集进行图片识别。
  • 任务二：序列建模 – 利用 LSTM 对 IMDB 电影评论进行情感分析。

每个任务都遵循统一的机器学习流程：数据准备 → 模型构建 → 训练 → 评估 → 预测。

2. 图像分类实战：CIFAR-10 识别

CIFAR-10 包含 10 类 32×32 彩色图片，共 60,000 张，是入门图像分类的经典数据集。

2.1 数据加载与预处理

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# 加载数据
(x_train, y_train), (x_test, y_test) = datasets.cifar10.load_data()

# 归一化到 [0,1]
x_train = x_train.astype('float32') / 255.0
x_test  = x_test.astype('float32') / 255.0

# 标签转为 one-hot 编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test  = tf.keras.utils.to_categorical(y_test, 10)

print(f'训练集形状: {x_train.shape}')
print(f'测试集形状: {x_test.shape}')

2.2 构建 CNN 模型

一个典型的卷积神经网络包含卷积层、池化层和全连接层。我们设计一个轻量但有效的模型：

model = models.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', padding='same', input_shape=(32,32,3)),
    layers.Conv2D(32, (3,3), activation='relu', padding='same'),
    layers.MaxPooling2D((2,2)),
    layers.Dropout(0.25),

    layers.Conv2D(64, (3,3), activation='relu', padding='same'),
    layers.Conv2D(64, (3,3), activation='relu', padding='same'),
    layers.MaxPooling2D((2,2)),
    layers.Dropout(0.25),

    layers.Flatten(),
    layers.Dense(256, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.summary()

2.3 训练与可视化

使用 EarlyStopping 防止过拟合，并记录训练历史以便画图。

from tensorflow.keras.callbacks import EarlyStopping
import matplotlib.pyplot as plt

early_stop = EarlyStopping(monitor='val_loss', patience=5, restore_best_weights=True)

history = model.fit(
    x_train, y_train,
    batch_size=64,
    epochs=30,
    validation_split=0.2,
    callbacks=[early_stop]
)

# 绘制准确率与损失曲线
def plot_history(history):
    acc = history.history['accuracy']
    val_acc = history.history['val_accuracy']
    loss = history.history['loss']
    val_loss = history.history['val_loss']
    epochs = range(1, len(acc)+1)

    plt.figure(figsize=(12,4))
    plt.subplot(1,2,1)
    plt.plot(epochs, acc, 'bo-', label='Training acc')
    plt.plot(epochs, val_acc, 'r*-', label='Validation acc')
    plt.title('Training and Validation Accuracy')
    plt.legend()

    plt.subplot(1,2,2)
    plt.plot(epochs, loss, 'bo-', label='Training loss')
    plt.plot(epochs, val_loss, 'r*-', label='Validation loss')
    plt.title('Training and Validation Loss')
    plt.legend()
    plt.show()

plot_history(history)

2.4 模型评估

在测试集上查看最终性能：

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'Test accuracy: {test_acc:.4f}')

你应该能获得大约 80% 以上的准确率（增加 epochs 或使用数据增强可进一步提升）。

3. 序列模型实战：IMDB 情感分析

IMDB 电影评论数据集包含 25,000 条训练评论和 25,000 条测试评论，标签为正面（1）和负面（0）。我们将使用词嵌入 + LSTM 构建分类器。

3.1 数据加载与预处理

from tensorflow.keras.datasets import imdb
from tensorflow.keras.preprocessing.sequence import pad_sequences

max_features = 10000   # 词汇表大小
maxlen = 200           # 每条评论截断或填充到的长度

(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=max_features)

# 填充序列，使得长度一致
x_train = pad_sequences(x_train, maxlen=maxlen)
x_test  = pad_sequences(x_test, maxlen=maxlen)

print(f'训练集形状: {x_train.shape}')
print(f'测试集形状: {x_test.shape}')

3.2 构建 LSTM 模型

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout

model = Sequential([
    Embedding(max_features, 128, input_length=maxlen),
    LSTM(64, dropout=0.2, recurrent_dropout=0.2),
    Dense(1, activation='sigmoid')
])

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

3.3 训练与验证

同样使用早停法和验证集监控训练过程。

early_stop = EarlyStopping(monitor='val_loss', patience=3, restore_best_weights=True)

history = model.fit(
    x_train, y_train,
    batch_size=128,
    epochs=10,
    validation_split=0.2,
    callbacks=[early_stop]
)

plot_history(history)   # 复用上节的绘图函数

3.4 模型评估

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f'Test accuracy: {test_acc:.4f}')

在 IMDB 数据集上，该模型通常能达到 87% 左右的准确率。

3.5 使用模型进行预测

你可以用训练好的模型预测新的文本：

word_index = imdb.get_word_index()
reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])

def decode_review(text_sequence):
    return ' '.join([reverse_word_index.get(i-3, '?') for i in text_sequence])

# 示例：预测测试集第一条评论
sample_review = x_test[0].reshape(1, maxlen)
pred = model.predict(sample_review)[0][0]
label = 'Positive' if pred > 0.5 else 'Negative'
print(f'Prediction: {label} (confidence {pred:.4f})')
print('Original review (decoded):', decode_review(x_test[0][:50]), '...')

4. 总结与下一步

恭喜你完成了图像分类和序列建模两个核心实战项目！通过本教程你掌握了：

  • 使用 Conv2D 和 MaxPooling 构建 CNN 处理图像
  • 利用 Embedding + LSTM 处理变长文本序列
  • 训练过程中的早停、dropout 等正则化技巧
  • 可视化训练曲线，评估模型性能

想要进一步提升模型表现，可以尝试以下方向：

  • 图像任务：加入数据增强（ImageDataGenerator）、迁移学习（VGG16 等预训练模型）
  • 序列任务：尝试双向 LSTM、GRU、Transformer 或使用预训练词向量（GloVe）
  • 部署模型：使用 TensorFlow Serving 或转换为 TensorFlow Lite 部署到移动端

深度学习的世界广阔而有趣，持续动手实践是进步的最佳方式。现在，去调整参数、尝试自己的数据集，开始你的下一个项目吧！