以下是基于TensorFlow实现MNIST手写数字识别的一个完整代码示例： ### MNIST 手写数字识别代码 ```python import tensorflow as tf from tensorflow.keras import datasets, layers, models # 加载并预处理 MNIST 数据集 (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 # 归一化到 [0, 1] test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 # 归一化到 [0, 1] # 构建卷积神经网络模型 model = models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) # 第一层卷积层 model.add(layers.MaxPooling2D((2, 2))) # 最大池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 第二层卷积层 model.add(layers.MaxPooling2D((2, 2))) # 最大池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 第三层卷积层 # 添加全连接层 model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.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, batch_size=64) # 测试模型性能 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` #### 关键点解析 - **数据加载与预处理**：MNIST 数据集被分为训练集和测试集，分别包含 60000 和 10000 张图像。每张图像是 \(28 \times 28\) 的灰度图像，因此其形状为 `(28, 28)`[^2]。 - **模型构建**：使用 `Sequential` API 来定义一个简单的卷积神经网络（CNN）。该网络由多个卷积层和最大池化层组成，最后接上全连接层完成分类任务[^2]。 - **编译配置**：选择了 Adam 作为优化器，稀疏交叉熵作为损失函数，并监控准确率指标[^4]。 此代码展示了如何利用 TensorFlow 实现基本的手写数字识别功能，同时涵盖了从数据准备到模型评估的整个流程[^1]。