在 Python 中使用 MNIST 数据集进行机器学习通常涉及以下几个关键步骤，包括数据加载、预处理、模型构建、训练和评估。 ### 数据加载 MNIST 数据集可以通过 Keras 库方便地加载[^2]。以下是如何加载 MNIST 数据集的示例代码： ```python from tensorflow.keras.datasets import mnist # 加载数据集 (X_train, y_train), (X_test, y_test) = mnist.load_data() ``` ### 数据预处理 在进行模型训练之前，通常需要对数据进行一些预处理。这包括归一化像素值、重塑数据形状以及对标签进行 one-hot 编码处理。 ```python from tensorflow.keras.utils import to_categorical # 归一化像素值 X_train = X_train / 255.0 X_test = X_test / 255.0 # 重塑数据形状以适应模型输入 X_train = X_train.reshape((-1, 28*28)) X_test = X_test.reshape((-1, 28*28)) # 对标签进行one-hot编码 y_train = to_categorical(y_train, 10) y_test = to_categorical(y_test, 10) ``` ### 构建神经网络 使用 Keras 可以轻松构建一个简单的神经网络模型。这里我们构建一个包含一个隐藏层的基础神经网络[^1]。 ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense model = Sequential([ Dense(128, activation='relu', input_shape=(784,)), Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` ### 训练模型 有了准备好的数据和模型之后，就可以开始训练模型了。 ```python # 训练模型 model.fit(X_train, y_train, epochs=5, batch_size=32, validation_split=0.1) ``` ### 测试模型训练效果 最后，我们可以使用测试集来评估模型的性能。 ```python # 评估模型 test_loss, test_acc = model.evaluate(X_test, y_test) print(f'Test accuracy: {test_acc}') ``` 以上步骤展示了如何使用 MNIST 数据集在 Python 中进行机器学习的基本流程。通过这些步骤，可以构建并训练一个基础的神经网络模型来识别手写数字。