### 使用Jupyter Notebook构建和训练基于MNIST数据集的卷积神经网络（CNN）模型 要在Jupyter Notebook中实现基于MNIST数据集的卷积神经网络（CNN），可以通过以下方式完成整个流程，包括环境配置、数据准备、模型定义、编译、训练以及评估。 #### 1. 导入必要的库 在Jupyter Notebook中，首先需要导入所需的Python库来支持TensorFlow/Keras或其他深度学习框架的操作。 ```python import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt import numpy as np ``` #### 2. 加载并预处理MNIST数据集 MNIST数据集可以直接通过Keras API加载。为了提高模型性能，通常会对数据进行标准化处理。 ```python # 加载MNIST数据集 mnist = tf.keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() # 数据归一化至[0, 1]范围 train_images = train_images / 255.0 test_images = test_images / 255.0 # 添加通道维度以适应CNN输入要求 train_images = train_images[..., np.newaxis] test_images = test_images[..., np.newaxis] print(f"Train Images Shape: {train_images.shape}") print(f"Test Images Shape: {test_images.shape}") ``` 以上代码实现了数据加载与预处理操作[^1]。 #### 3. 定义卷积神经网络（CNN）模型 使用Keras Sequential API可以方便地堆叠各层来创建CNN模型。 ```python model = models.Sequential([ layers.Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(64, kernel_size=(3, 3), activation='relu'), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), layers.Dense(10, activation='softmax') ]) model.summary() ``` 此部分代码定义了一个具有两层卷积层、池化层、全连接层以及Dropout正则化的CNN模型结构[^2]。 #### 4. 编译模型 指定优化器、损失函数及评价指标用于后续训练过程。 ```python model.compile( optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), metrics=['accuracy'] ) ``` 该段代码设置了Adam作为优化算法，并采用稀疏分类交叉熵作为目标函数[^2]。 #### 5. 训练模型 设定超参数如批量大小(batch size)和轮次数(epochs)，然后调用`fit()`方法执行实际训练。 ```python history = model.fit( train_images, train_labels, batch_size=128, epochs=10, validation_split=0.1 ) ``` 此处完成了模型训练阶段的工作流设计[^2]。 #### 6. 可视化训练历史记录 绘制训练过程中精度变化曲线有助于分析模型表现趋势。 ```python plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend(loc='lower right') plt.show() ``` #### 7. 测试模型性能 最终，在独立测试集中评估模型效果。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f"\nTest accuracy: {test_acc:.4f}") ``` --- ### 总结 上述步骤涵盖了从数据获取到模型部署的整体工作链条，具体涉及到了数据前处理、模型搭建、训练策略制定等多个方面[^1][^2]。借助这些工具和技术手段，能够有效提升手写数字识别任务的效果。