TensorFlow MNIST 教程

MNIST 数据集是机器学习领域中最常用的入门级数据集之一，它包含了手写数字的灰度图像。在这个教程中，我们将使用 TensorFlow 来构建一个简单的神经网络，以识别 MNIST 数据集中的数字。

环境准备

在开始之前，请确保您已经安装了 TensorFlow。您可以通过以下链接了解如何安装 TensorFlow：

数据加载

首先，我们需要从 TensorFlow 中加载 MNIST 数据集：

import tensorflow as tf

mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

数据预处理

为了使模型更容易学习，我们需要对数据进行一些预处理：

x_train, x_test = x_train / 255.0, x_test / 255.0

构建模型

接下来，我们构建一个简单的神经网络模型：

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10)
])

编译模型

现在，我们需要编译模型：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

训练模型

接下来，我们训练模型：

model.fit(x_train, y_train, epochs=5)

评估模型

最后，我们评估模型的性能：

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)

总结

通过这个简单的教程，您应该已经了解了如何使用 TensorFlow 来构建和训练一个简单的神经网络模型。希望这个教程能够帮助您入门 TensorFlow 和深度学习。