TensorFlow MNIST 示例教程

MNIST 数据集是一个手写数字的图像数据集，包含 60,000 个训练样本和 10,000 个测试样本。本教程将为您介绍如何使用 TensorFlow 构建一个简单的手写数字识别模型。

数据集介绍

MNIST 数据集包含了 0 到 9 这十个数字的 28x28 像素灰度图像。以下是数据集的一个示例图片：

步骤

1. 导入 TensorFlow 库
   首先，我们需要导入 TensorFlow 库以及其他必要的库。

   import tensorflow as tf
   from tensorflow.keras.datasets import mnist
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Dense, Dropout, Flatten
   from tensorflow.keras.layers import Conv2D, MaxPooling2D
   

2. 加载数据集
   使用 mnist.load_data() 函数加载数据集。

   (x_train, y_train), (x_test, y_test) = mnist.load_data()
   

3. 数据预处理
   为了更好地训练模型，我们需要对数据进行预处理。具体包括归一化和形状调整。

   x_train, x_test = x_train / 255.0, x_test / 255.0
   x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
   x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
   

4. 构建模型
   下面是一个简单的卷积神经网络模型，用于识别手写数字。

   model = Sequential()
   model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
   model.add(Conv2D(64, (3, 3), activation='relu'))
   model.add(MaxPooling2D(pool_size=(2, 2)))
   model.add(Dropout(0.25))
   model.add(Flatten())
   model.add(Dense(128, activation='relu'))
   model.add(Dropout(0.5))
   model.add(Dense(10, activation='softmax'))
   
   model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
   

5. 训练模型
   使用训练数据对模型进行训练。

   model.fit(x_train, y_train, batch_size=128, epochs=10, verbose=1, validation_data=(x_test, y_test))
   

6. 评估模型
   使用测试数据评估模型的准确率。

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

更多关于 TensorFlow 和机器学习的内容，请访问我们的 机器学习教程 页面。