### 实现Python手写数字识别 手写数字识别是一个经典的机器学习问题，通常通过MNIST数据集来训练模型完成分类任务。以下是基于TensorFlow和Keras库的手写数字识别解决方案。 #### 数据准备 MNIST数据集包含了大量0到9的手写数字图像及其标签。这些图像是28×28像素的灰度图片。可以利用Keras内置的数据加载功能获取该数据集[^1]。 ```python from tensorflow.keras.datasets import mnist # 加载 MNIST 数据集 (train_images, train_labels), (test_images, test_labels) = mnist.load_data() ``` #### 构建神经网络模型 构建一个多层感知器(MLP)或者卷积神经网络(CNN)，用于处理输入并预测类别。这里展示一个简单的CNN结构： ```python import tensorflow as tf from tensorflow.keras import layers, models model = models.Sequential() # 添加卷积层与池化层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 展平操作 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10, activation='softmax')) # 输出层有10个节点对应十个数字类 # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) ``` #### 预处理数据 为了使模型能够更好地拟合数据，需对原始数据做标准化预处理。 ```python train_images = train_images.reshape((60000, 28, 28, 1)) train_images = train_images.astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)) test_images = test_images.astype('float32') / 255 ``` #### 训练模型 设置好批次大小(batch size)以及迭代次数(epoch number)，然后启动训练过程。 ```python history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.1) ``` #### 测试模型性能 最后评估测试集中样本的表现情况。 ```python test_loss, test_acc = model.evaluate(test_images, test_labels) print(f'Test accuracy: {test_acc}') ``` 以上即为完整的Python实现手写数字识别流程[^2]。