TensorFlow MNIST 教程

MNIST 数据集是机器学习领域中最常用的数据集之一，它包含了 60,000 个灰度手写数字图片，以及 10,000 个用于测试的图片。在这个教程中，我们将使用 TensorFlow 来构建一个简单的神经网络模型，用于识别手写数字。

1. 准备工作

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

2. 加载 MNIST 数据集

TensorFlow 提供了方便的函数来加载 MNIST 数据集：

from tensorflow.keras.datasets import mnist

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

3. 数据预处理

在训练模型之前，我们需要对数据进行一些预处理：

• 将图像数据归一化到 [0, 1] 范围内。
• 将标签转换为独热编码。

train_images = train_images / 255.0
test_images = test_images / 255.0

from tensorflow.keras.utils import to_categorical

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

4. 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.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

5. 编译和训练模型

现在，我们可以编译和训练模型：

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

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

6. 评估模型

最后，我们使用测试数据集来评估模型的性能：

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"测试准确率: {test_acc:.4f}")

扩展阅读

如果您想了解更多关于 TensorFlow 的内容，可以访问我们的 TensorFlow 教程页面。

TensorFlow Logo