TensorFlow MNIST 教程

本教程将引导您使用 TensorFlow 框架来构建一个简单的神经网络，以识别手写数字（MNIST 数据集）。

MNIST 数据集

MNIST 数据集是一个包含 70,000 个灰度手写数字图像的数据集，每个图像的大小为 28x28 像素。这些图像被分为 60,000 个用于训练，10,000 个用于测试。

安装 TensorFlow

在开始之前，请确保您已经安装了 TensorFlow。您可以使用以下命令进行安装：

pip install tensorflow

导入数据

首先，我们需要导入 MNIST 数据集：

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

数据预处理

在训练之前，我们需要对数据进行一些预处理：

train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

构建模型

接下来，我们构建一个简单的神经网络模型：

from tensorflow.keras import models
from tensorflow.keras import layers

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

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

编译模型

现在，我们编译模型：

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

训练模型

接下来，我们训练模型：

model.fit(train_images, train_labels, epochs=5)

评估模型

最后，我们评估模型：

test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

TensorFlow Logo

更多关于 TensorFlow 的教程，请访问我们的 TensorFlow 教程页面。