用Keras搭建CNN图像分类模型需三步：1. 数据准备——加载MNIST并归一化、扩维、one-hot编码；2. 模型定义——Sequential堆叠Conv2D、MaxPooling2D、Flatten和Dense层；3. 编译训练——选Adam优化器、categorical_crossentropy损失及accuracy指标，再评估预测。

用Keras构建深度学习模型并不难，关键在于理解数据、模型、训练三者的衔接逻辑。下面以图像分类任务为例，带你从零搭建一个可运行的CNN模型，不绕弯子，直击实操要点。

准备数据：加载+预处理一步到位

Keras内置了常用数据集（如MNIST、CIFAR-10），适合快速验证模型结构。以MNIST为例：

• 直接调用keras.datasets.mnist.load_data()获取训练/测试图像与标签
• 图像像素值默认是0–255的整数，需归一化为0–1的float32：用x_train.astype('float32') / 255
• 灰度图需增加通道维度：用x_train[..., tf.newaxis]或np.expand_dims(x_train, -1)
• 标签转为one-hot编码（适用于多分类）：tf.keras.utils.to_categorical(y_train, 10)

定义模型：用Sequential还是Functional？

新手推荐Sequential——结构清晰、代码简洁；遇到多输入、多输出或共享层时再切到Functional API。

• 基础CNN示例：

  model = Sequential([
      Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
      MaxPooling2D(),
      Conv2D(64, (3,3), activation='relu'),
      MaxPooling2D(),
      Flatten(),
      Dense(64, activation='relu'),
      Dense(10, activation='softmax')
  ])

• 每层输出形状会自动推导，但建议在input_shape处明确写清（含batch维度以外的尺寸）
• 最后一层神经元数=类别数，激活函数选softmax（多分类）或sigmoid（二分类）

编译与训练：参数别硬套，看任务选指标

编译阶段决定“怎么学”，训练阶段控制“学多久”：

• optimizer：初学用Adam（自适应学习率，收敛稳）
• loss：多分类+one-hot标签 → 'categorical_crossentropy'；多分类+整数标签 → 'sparse_categorical_crossentropy'
• metrics：至少加['accuracy']，便于观察训练效果
• model.fit()中设置validation_split=0.2可自动划分验证集，省去手动切分

评估与预测：别只看准确率

训练完要真正检验模型是否学到了泛化能力：

• 用model.evaluate(x_test, y_test)得到测试集上的loss和accuracy
• 用model.predict(x_test[:5])查看前5个样本的预测概率分布，配合np.argmax()还原类别索引
• 画混淆矩阵、查准率/查全率？用sklearn.metrics.classification_report和confusion_matrix即可

不复杂但容易忽略：每次改模型结构后记得重新编译（model.compile()），否则训练用的仍是旧配置。跑通第一个模型后，再逐步加Dropout、BatchNorm、数据增强，迭代优化。