基于python类实现,手写数字识别， 三层网络【784,128,10】，损失函数softmax, epoch=200, 学习率0.01 准确代码

基于Python的`numpy`、`matplotlib`和`Keras`库，我们可以创建一个简单的全连接神经网络用于手写数字识别。以下是使用`Keras`构建一个包含三个隐藏层（每个层有128个节点）、输入层大小为784（对应MNIST数据集的手写图片像素），输出层大小为10（对应10个数字类别），使用Softmax作为激活函数的损失函数，并设置200个训练轮次（epoch）、学习率为0.01的一个示例：

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import to_categorical

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据预处理
x_train = x_train.reshape(-1, 28 * 28) / 255.0
x_test = x_test.reshape(-1, 28 * 28) / 255.0
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

# 创建模型
model = Sequential([
    Dense(128, activation='relu', input_shape=(784,)),
    Dense(128, activation='relu'),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')  # 输出层，使用Softmax激活
])

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

# 训练模型
history = model.fit(x_train, y_train, epochs=200, validation_split=0.1, verbose=0)  # 验证集比例设为10%

# 测试模型性能
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试集准确率: {test_acc}")

# 可视化训练过程
import matplotlib.pyplot as plt
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

在这个代码中，我们首先加载并预处理了MNIST数据，然后创建了一个顺序模型，设置了三个隐藏层和一个输出层。最后，我们编译模型、训练它并在测试集上评估其性能。