### 手写数字识别 Python TensorFlow 示例代码 以下是基于 TensorFlow 的手写数字识别的完整示例代码。此代码展示了如何加载 MNIST 数据集、构建模型、编译模型以及评估其性能。 ```python import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt # 加载MNIST数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 归一化处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 构建模型 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), # 将输入展平为1维向量 layers.Dense(128, activation='relu'), # 隐藏层，激活函数ReLU layers.Dropout(0.2), # Dropout防止过拟合 layers.Dense(10, activation='softmax') # 输出层，Softmax用于分类 ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 batch_size = 128 epochs = 20 history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test)) # 测试模型 test_loss, test_accuracy = model.evaluate(x_test, y_test, verbose=2) print(f'Test Loss: {test_loss}') # 显示测试损失[^3] print(f'Test Accuracy: {test_accuracy}') # 显示测试准确率 # 可视化训练过程中的准确性变化 plt.plot(history.history['accuracy'], label='train_accuracy') plt.plot(history.history['val_accuracy'], label='validation_accuracy') plt.xlabel('Epochs') plt.ylabel('Accuracy') plt.legend(loc='lower right') plt.show() ``` #### 关键点说明： - **数据预处理**：通过 `x_train / 255.0` 和 `x_test / 255.0` 对图像像素值进行归一化操作，使其范围位于 `[0, 1]`。 - **模型结构**：该模型由全连接层组成，隐藏层采用 ReLU 激活函数，输出层使用 Softmax 函数完成多类别分类任务。 - **优化器与损失函数**：选择了 Adam 作为优化器，Sparse Categorical Crossentropy 适配整数标签的情况。 - **Dropout 层**：为了减少过拟合的风险，在隐藏层之后加入了 Dropout 层。 - **模型保存**：虽然未在此处展示，但可以通过调用 `model.save('my_model.h5')` 来保存训练好的模型文件[^2]。 ---