### TensorFlow 实现卷积神经网络识别 MNIST 手写数字的源代码 以下是基于 TensorFlow 的卷积神经网络（CNN）用于 MNIST 手写数字识别的一个完整实现。此代码展示了如何加载数据、构建模型以及训练和评估模型。 ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense # 加载 MNIST 数据集 mnist = tf.keras.datasets.mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() # 归一化图像像素值到 [0, 1] 范围 train_images = train_images / 255.0 test_images = test_images / 255.0 # 将图像调整为适合 CNN 输入的形式 (batch_size, height, width, channels) train_images = train_images[..., tf.newaxis] test_images = test_images[..., tf.newaxis] # 构建卷积神经网络模型 model = Sequential([ # 第一层卷积层，32个滤波器，核大小为3x3，激活函数ReLU Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1))[^2], # 最大池化层，池化窗口大小为2x2 MaxPooling2D(pool_size=(2, 2)), # 第二层卷积层，64个滤波器 Conv2D(64, kernel_size=(3, 3), activation='relu'), # 第二个最大池化层 MaxPooling2D(pool_size=(2, 2)), # 展平层，将二维特征图转换为一维向量 Flatten(), # 全连接层，128个节点 Dense(128, activation='relu'), # 输出层，10个类别对应于10个手写数字 Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_images, train_labels, epochs=5) # 测试模型性能 test_loss, test_acc = model.evaluate(test_images, test_labels) print(f"Test accuracy: {test_acc}") ``` #### 关键点说明 - **数据预处理**: 图像被归一化至 `[0, 1]` 并扩展维度以适应 CNN 的输入需求[^1]。 - **模型架构**: 使用两层卷积层提取空间特征，通过池化操作降低参数数量并增强鲁棒性[^2]。 - **全连接层**: 提取高级特征并通过 softmax 函数完成分类任务[^2]。 如果需要保存该模型以便后续使用，可以调用 `model.save('cnn_mnist_model.h5')` 方法将其存储为 HDF5 文件格式。 ---