Python实现神经网络识别手写数字集(完整代码)
时间: 2024-10-17 11:06:37 浏览: 55
在Python中,我们可以使用深度学习库如TensorFlow或Keras来实现神经网络对手写数字的识别,例如MNIST数据集就是一个常用的手写数字数据集。这里提供一个使用Keras简单示例:
首先,确保安装了必要的库:
```bash
pip install tensorflow keras numpy mnist
```
然后,下面是使用Keras实现一个基本卷积神经网络(Convolutional Neural Network, CNN)的代码片段:
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
# 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, 1)
x_test = x_test.reshape(-1, 28, 28, 1)
x_train, x_test = x_train / 255.0, x_test / 255.0
# 定义模型
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'),
Dense(10, activation='softmax') # 输出层,10表示0到9共10个类别
])
# 编译模型
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")
#
阅读全文
相关推荐













