在这个教程中，我们将使用卷积神经网络（CNN）来训练一个模型，以识别 MNIST 数据集中的手写数字。MNIST 数据集是一个非常流行的机器学习数据集，包含了 0 到 9 的手写数字图片。

前提条件

在开始之前，请确保您已经安装了以下 Python 库：

  • TensorFlow
  • Keras
  • NumPy

您可以使用以下命令安装这些库：

pip install tensorflow keras numpy

数据集

MNIST 数据集包含 60,000 个训练样本和 10,000 个测试样本。每个样本都是一个 28x28 的灰度图像，表示一个手写数字。

模型构建

我们将使用 Keras 构建一个简单的 CNN 模型。

from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dense(10, activation='softmax'))

训练模型

接下来，我们将使用训练数据来训练模型。

from keras.datasets import mnist
from keras.utils import np_utils

# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# 编码标签
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

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

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))

评估模型

最后，我们将使用测试数据来评估模型的性能。

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

总结

在这个教程中，我们使用 CNN 模型来识别 MNIST 数据集中的手写数字。这是一个简单的例子，展示了如何使用 Keras 构建、训练和评估一个深度学习模型。

如果您想了解更多关于深度学习的信息，请访问我们的 深度学习教程 页面。

[center]MNIST