<think>根据用户反馈，matplotlib已经安装成功。现在用户可能希望重新运行原始代码，或者需要进一步的指导。不过，用户没有提出新的问题，而是重复了之前的指示。因此，我将假设用户可能遇到了其他问题，或者需要确认如何继续。 考虑到用户之前已经安装了matplotlib，现在可以正常运行原始代码了。但是，为了确保用户能够顺利进行，我提供以下步骤： 1. 重新启动Spyder内核：安装新包后，需要重启内核才能使新安装的包生效。 2. 重新运行原始代码。 如果用户仍然遇到问题，我们可以提供进一步的帮助。 ### 重启Spyder内核的方法： 在Spyder的菜单栏中，选择“Consoles” -> “Restart kernel”，然后重新运行代码。 ### 重新运行原始代码 如果用户已经重启内核，现在可以运行原始代码。这里再次提供原始代码以便用户复制： ```python # 导入必要的库 import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt # 1. 加载并预处理数据 (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() # 归一化像素值到0-1范围并添加通道维度 train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 # 2. 构建神经网络模型 model = models.Sequential([ # 卷积层提取特征 layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D((2, 2)), layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), # 全连接层进行分类 layers.Flatten(), layers.Dense(64, activation='relu'), layers.Dense(10, activation='softmax') ]) # 3. 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 4. 训练模型 history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2) # 5. 评估模型 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f"\n测试准确率: {test_acc:.4f}") # 6. 可视化结果（在Spyder中显示图表） # 训练过程可视化 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history['accuracy'], label='训练准确率') plt.plot(history.history['val_accuracy'], label='验证准确率') plt.title('训练和验证准确率') plt.legend() plt.subplot(1, 2, 2) plt.plot(history.history['loss'], label='训练损失') plt.plot(history.history['val_loss'], label='验证损失') plt.title('训练和验证损失') plt.legend() plt.show() # 预测示例图像 import numpy as np sample_idx = np.random.randint(0, len(test_images)) sample_image = test_images[sample_idx] prediction = model.predict(np.array([sample_image])) plt.figure() plt.imshow(sample_image.squeeze(), cmap='gray') plt.title(f"预测: {np.argmax(prediction)} | 实际: {test_labels[sample_idx]}") plt.axis('off') plt.show() ``` ### 如果重启后运行代码仍然报错 如果重启内核后运行代码仍然报错，请检查错误信息。常见的可能问题： 1. **TensorFlow未安装**：如果之前没有安装TensorFlow，需要安装。使用`!pip install tensorflow`。 2. **版本不兼容**：安装的matplotlib版本可能与TensorFlow或其他库不兼容。可以尝试指定版本安装，例如：`!pip install matplotlib==3.5.0`。 ### 其他建议 - 如果用户不想重启内核，可以尝试重新导入matplotlib：在代码开头添加`importlib.reload(module)`，但更推荐重启内核。 - 如果用户在使用Anaconda，也可以考虑在Anaconda Navigator中安装matplotlib。 ### 最后 如果用户按照以上步骤操作，应该可以成功运行代码。如果用户遇到新的错误，请提供具体的错误信息以便进一步解决。 §§相关问题§§: 1. 如何在Jupyter Notebook中安装Python包并重启内核？ 2. 如何解决TensorFlow和matplotlib版本冲突问题？ 3. 在Spyder中如何调试Python代码？ 4. 如何升级或降级Python包到指定版本？ </think> 恭喜您成功安装了 matplotlib！现在您应该可以正常运行之前的 MNIST 识别代码了。以下是完整的解决方案，包含了您已安装的 matplotlib 可视化部分： ### MNIST 识别完整解决方案代码 ```python # 导入必要的库 import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt import numpy as np # 1. 加载并预处理数据 (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() # 归一化像素值到0-1范围并添加通道维度 train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 # 2. 构建神经网络模型 model = models.Sequential([ # 第一卷积层：32个3x3滤波器，ReLU激活 layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), layers.MaxPooling2D((2, 2)), # 第二卷积层：64个3x3滤波器，ReLU激活 layers.Conv2D(64, (3, 3), activation='relu'), layers.MaxPooling2D((2, 2)), # 展平层：将3D特征图转换为1D向量 layers.Flatten(), # 全连接层：64个神经元 layers.Dense(64, activation='relu'), # 输出层：10个神经元对应10个数字类别 layers.Dense(10, activation='softmax') ]) # 3. 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 打印模型结构摘要 print("模型结构摘要:") model.summary() # 4. 训练模型 print("\n开始训练模型...") history = model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2) # 5. 评估模型 print("\n评估模型在测试集上的表现...") test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) print(f"\n测试准确率: {test_acc:.4f}") # 6. 可视化训练过程 plt.figure(figsize=(12, 5)) # 准确率曲线 plt.subplot(1, 2, 1) plt.plot(history.history['accuracy'], label='训练准确率') plt.plot(history.history['val_accuracy'], label='验证准确率') plt.title('训练和验证准确率') plt.xlabel('Epoch') plt.ylabel('准确率') plt.legend() plt.grid(True) # 损失曲线 plt.subplot(1, 2, 2) plt.plot(history.history['loss'], label='训练损失') plt.plot(history.history['val_loss'], label='验证损失') plt.title('训练和验证损失') plt.xlabel('Epoch') plt.ylabel('损失') plt.legend() plt.grid(True) plt.tight_layout() plt.show() # 7. 随机选择测试图像进行预测 print("\n随机选择测试图像进行预测...") plt.figure(figsize=(15, 10)) for i in range(9): # 随机选择测试图像 sample_idx = np.random.randint(0, len(test_images)) sample_image = test_images[sample_idx] actual_label = test_labels[sample_idx] # 预测 prediction = model.predict(np.array([sample_image]), verbose=0) predicted_label = np.argmax(prediction) # 可视化预测结果 plt.subplot(3, 3, i+1) plt.imshow(sample_image.squeeze(), cmap='gray') plt.title(f"预测: {predicted_label} | 实际: {actual_label}") plt.axis('off') plt.tight_layout() plt.show() # 8. 混淆矩阵分析（可选） print("\n生成混淆矩阵...") from sklearn.metrics import confusion_matrix import seaborn as sns # 预测所有测试图像 predictions = model.predict(test_images) predicted_labels = np.argmax(predictions, axis=1) # 计算混淆矩阵 cm = confusion_matrix(test_labels, predicted_labels) # 可视化混淆矩阵 plt.figure(figsize=(10, 8)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=range(10), yticklabels=range(10)) plt.xlabel('预测标签') plt.ylabel('实际标签') plt.title('MNIST 混淆矩阵') plt.show() ``` ### 代码详细解释 1. **数据加载与预处理** - 使用TensorFlow内置的MNIST数据集 - 将图像从(28,28)重塑为(28,28,1)并归一化到[0,1]范围 2. **CNN模型架构** - 两个卷积层：分别使用32和64个3x3滤波器 - 两个最大池化层：2x2池化窗口 - 展平层：将空间特征转换为一维向量 - 全连接层：64个神经元 - 输出层：10个神经元对应10个数字类别 3. **模型训练** - 使用Adam优化器 - 稀疏分类交叉熵损失函数 - 训练5个epoch，批量大小64 - 20%训练数据作为验证集 4. **可视化分析** - **训练过程曲线**：展示训练/验证准确率和损失随epoch的变化 - **随机样本预测**：展示9个随机测试样本的预测结果 - **混淆矩阵**：可视化模型在不同类别上的性能表现 ### Spyder中的运行建议 1. 确保已安装所有依赖： ```python !pip install tensorflow matplotlib numpy scikit-learn seaborn ``` 2. 如果内存不足： - 减少批量大小（如改为32） - 减少可视化样本数量 - 关闭其他占用内存的程序 3. 如果训练时间过长： - 减少epoch数量（如改为3） - 使用更简单的模型架构 ### 预期输出 1. 模型结构摘要（约15,000个可训练参数） 2. 训练过程日志（每个epoch的进度） 3. 测试准确率（约98-99%） 4. 三个可视化图表： - 训练过程曲线 - 随机样本预测结果 - 混淆矩阵热力图