### TensorFlow实现卷积神经网络 (CNN) 对 MNIST 数据集分类的示例代码 以下是基于 TensorFlow 的 CNN 实现 MNIST 手写数字分类的任务代码。此代码涵盖了数据加载、模型定义、编译、训练和评估的过程。 ```python import tensorflow as tf from tensorflow.keras import layers, models from tensorflow.keras.datasets import mnist from tensorflow.keras.utils import to_categorical # 加载并预处理MNIST数据集 def load_and_preprocess_data(): (train_images, train_labels), (test_images, test_labels) = mnist.load_data() train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 # 归一化 test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255 # 将标签转换为one-hot编码 train_labels = to_categorical(train_labels) test_labels = to_categorical(test_labels) return (train_images, train_labels), (test_images, test_labels) # 构建卷积神经网络模型 def build_cnn_model(): model = models.Sequential() # 添加第一个卷积层和池化层 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) # 添加第二个卷积层和池化层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # 添加第三个卷积层 model.add(layers.Conv2D(64, (3, 3), activation='relu')) # 展平层 model.add(layers.Flatten()) # 全连接层 model.add(layers.Dense(64, activation='relu')) # 输出层 model.add(layers.Dense(10, activation='softmax')) # 10个类别对应于0-9的手写数字 return model # 编译模型 def compile_model(model): model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 def train_model(model, train_images, train_labels, epochs=5, batch_size=64): history = model.fit(train_images, train_labels, epochs=epochs, batch_size=batch_size) return history # 测试模型性能 def evaluate_model(model, test_images, test_labels): test_loss, test_acc = model.evaluate(test_images, test_labels) print(f"Test accuracy: {test_acc}") # 主程序入口 if __name__ == "__main__": (train_images, train_labels), (test_images, test_labels) = load_and_preprocess_data() # 加载数据 cnn_model = build_cnn_model() # 构建CNN模型 compile_model(cnn_model) # 编译模型 train_model(cnn_model, train_images, train_labels, epochs=5) # 训练模型 evaluate_model(cnn_model, test_images, test_labels) # 测试模型 ``` #### 关键点解析 1. **数据预处理**: 使用 `mnist.load_data()` 函数加载 MNIST 数据集，并将其重塑为适合 CNN 输入的形式 `(batch_size, height, width, channels)`，其中通道数为 1 表示灰度图像[^1]。 2. **模型结构**: - 第一层是一个具有 32 个过滤器的卷积层，使用 ReLU 激活函数[^4]。 - 接下来是最大池化层 (`MaxPooling2D`) 来减少空间维度。 - 类似地，第二层卷积层包含 64 个过滤器，随后再次应用最大池化。 - 最后一个卷积层也包含 64 个过滤器，用于进一步提取更复杂的特征。 - 平坦化层 (`Flatten`) 将三维张量展平成一维向量以便输入全连接层。 - 全连接层由 64 个节点组成，最后通过 softmax 激活函数输出概率分布[^3]。 3. **优化与损失函数**: 使用 Adam 作为优化器，`categorical_crossentropy` 作为多分类任务的损失函数[^2]。 --- ####