python3+TensorFlow 2.x（三）手写数字识别

代码实现

模型解析：

1、加载 MNIST 数据集：

2、数据预处理：

3、构建神经网络模型：

4、编译模型：

5、训练模型：

6、评估模型：

7、预测和可视化结果：

输出结果：

总结：

代码实现

TensorFlow 2.x 实现手写数字识别（MNIST 数据集）。MNIST 数据集包含了 28x28 像素的手写数字图像，任务是将这些图像分类为 10 个类别（0-9）

import tensorflow as tf
from tensorflow.keras import layers, models
import matplotlib.pyplot as plt

# 1. 加载 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

# 2. 数据预处理：归一化和改变形状
train_images = train_images / 255.0  # 将图像像素值归一化到 [0, 1]
test_images = test_images / 255.0

# 调整形状，使得每张图片的维度是 [28, 28, 1]，因为模型需要3D输入
train_images = train_images.reshape((train_images.shape[0], 28, 28, 1))
test_images = test_images.reshape((test_images.shape[0], 28, 28, 1))

# 3. 构建神经网络模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')  # 10类分类问题
])

# 4. 编译模型：选择优化器、损失函数和评价指标
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',  # 因为标签是整数，所以使用 sparse_categorical_crossentropy
              metrics=['accuracy'])

# 5. 训练模型
history = model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

# 6. 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")

# 7. 可视化训练过程中的损失和准确率变化
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.title('Training and Validation Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Training and Validation Loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 8. 使用模型进行预测
predictions = model.predict(test_images)

# 显示一些预测结果
for i in range(5):
    plt.imshow(test_images[i].reshape(28, 28), cmap='gray')
    plt.title(f"Predicted Label: {predictions[i].argmax()}, Actual Label: {test_labels[i]}")
    plt.show()

模型解析：

1、加载 MNIST 数据集：

使用 tf.keras.datasets.mnist.load_data() 函数来加载 MNIST 数据集。返回的数据包括训练集和测试集。训练集有 60,000 张图像，测试集有 10,000 张图像。

2、数据预处理：

将图像的像素值从 [0, 255] 归一化到 [0, 1]，使每个像素的值在 0 到 1 之间，提升模型的训练效果。将每张图像的形状调整为 (28, 28, 1)，即每个图像是 28x28 的灰度图像。

3、构建神经网络模型：

使用卷积神经网络（CNN）构建模型：Conv2D 层用于提取图像的特征，使用了 ReLU 激活函数。MaxPooling2D 层用于下采样，减少计算量。Flatten 层将卷积层的输出展平，进入全连接层。Dense 层用于输出分类结果，其中最后一层使用了 softmax 激活函数，将模型的输出转换为 10 类的概率分布。