Tensorflow实现手写数字识别

|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 模型架构 * 具有10个神经元，对应10个类别（0-9的数字）。 * 使用softmax激活函数，对多分类问题进行概率归一化。 * 输出层 (Dense): * 具有64个神经元。 * 激活函数为ReLU。 * 全连接层 (Dense): * 将二维数据展平成一维，为全连接层做准备。 * 展平层 (Flatten): * 第三层卷积层有64个过滤器。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 卷积层 (Conv2D): * 池化大小为2x2。 * 最大池化层 (MaxPooling2D): * 第二层卷积层有64个过滤器。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 卷积层 (Conv2D): * 池化大小为2x2。 * 通过池化操作减小特征图的尺寸，同时保留最重要的信息。 * 最大池化层 (MaxPooling2D): * 第一层卷积层有32个过滤器（filters）。 * 使用3x3的卷积核。 * 激活函数为ReLU。 * 输入形状为28x28的单通道图像（黑白图像）。 * 卷积层 (Conv2D): |

python 复制代码

import tensorflow as tf

from tensorflow.keras import layers, models
from tensorflow.keras.datasets import mnist

# 载入 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = tf.keras.utils.to_categorical(train_labels)
test_labels = tf.keras.utils.to_categorical(test_labels)

# 构建神经网络模型
model = models.Sequential([
    # 第一层：卷积层
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),

    # 第二层：最大池化层
    layers.MaxPooling2D((2, 2)),

    # 第三层：卷积层
    layers.Conv2D(64, (3, 3), activation='relu'),

    # 第四层：最大池化层
    layers.MaxPooling2D((2, 2)),

    # 第五层：卷积层
    layers.Conv2D(64, (3, 3), activation='relu'),

    # 将二维数据展平成一维
    layers.Flatten(),

    # 第六层：全连接层（密集层），64个神经元，ReLU激活函数
    layers.Dense(64, activation='relu'),

    # 输出层：全连接层，10个神经元（对应10个类别，0-9的数字），使用softmax激活函数
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 训练模型
model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_split=0.2)

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc}')

编译模型：

python 复制代码

model.compile( 
	optimizer,    # 优化器，用于配置模型的学习过程。常见的有 'adam'、'sgd' 等。
	loss,         # 损失函数，用于衡量模型在训练时的性能。常见的有 'categorical_crossentropy'、'mse' 等。 
	metrics=None  # 评估指标，用于监控训练和测试性能。可以是一个字符串或字符串列表。例如，'accuracy'。
 )

optimizer（优化器）:

优化器决定了模型如何进行参数更新，以最小化损失函数。常见的优化器包括 'adam'、'sgd'、'rmsprop' 等。不同的优化器可能适用于不同类型的问题。

loss（损失函数）:

损失函数用于衡量模型在训练时的性能，即模型预测与实际标签之间的差异。对于不同的问题，需要选择合适的损失函数。例如，对于分类问题，常见的是 'categorical_crossentropy'，而对于回归问题，可能是 'mse'（均方误差）。

metrics（评估指标）:

评估指标用于监控模型的性能。在训练和测试过程中，会输出这些指标的值。例如，'accuracy' 表示模型的准确性。你可以传递一个字符串或一个字符串列表，以同时监控多个指标。