Jupyter Notebook手写数字字母识别完整代码

在Jupyter Notebook中实现手写数字和字母识别通常涉及到深度学习和图像处理，特别是使用卷积神经网络（CNN）和库如TensorFlow或PyTorch。以下是一个简化的步骤概述，不包含完整的代码，但你可以根据这个指南在实际环境中编写：

1. **导入必要的库**：

   import numpy as np
   import tensorflow as tf
   from tensorflow.keras.datasets import mnist
   from tensorflow.keras.preprocessing.image import ImageDataGenerator
   from tensorflow.keras.models import Sequential
   from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

2. **加载MNIST数据集**：

   (train_images, train_labels), (test_images, test_labels) = mnist.load_data()

3. **预处理数据**：
- 将像素值归一化到0-1之间
- reshape为(批量大小, 行, 列, 原始通道数)

   train_images = train_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0
   test_images = test_images.reshape(-1, 28, 28, 1).astype('float32') / 255.0

4. **构建模型**：

   model = Sequential([
       Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
       MaxPooling2D((2, 2)),
       Conv2D(64, (3, 3), activation='relu'),
       MaxPooling2D((2, 2)),
       Flatten(),
       Dense(128, activation='relu'),
       Dropout(0.5),
       Dense(62, activation='softmax')  # 62 for MNIST digits and uppercase letters
   ])

5. **编译和训练模型**：

   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
   model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

6. **评估模型**：

   _, test_accuracy = model.evaluate(test_images, test_labels)
   print(f"Test accuracy: {test_accuracy}")

7. **使用模型进行预测**：

   prediction = model.predict(test_images[:1])
   predicted_class = np.argmax(prediction)
   print(f"Predicted class: {predicted_class}")

如果你想要识别字母而不是数字，你可能需要调整最后一层的节点数（从62改为字母的数量），并更新标签。