写出python代码 CNN拟合回归模型预测手写数字的旋转角度

以下是使用Keras库搭建CNN拟合回归模型预测手写数字旋转角度的代码示例：

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

# 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(X_train.shape[0], 28, 28, 1)
X_test = X_test.reshape(X_test.shape[0], 28, 28, 1)
X_train = X_train.astype('float32')
X_test = X_test.astype('float32')
X_train /= 255
X_test /= 255

# 生成随机旋转的训练数据
datagen = ImageDataGenerator(rotation_range=20)
datagen.fit(X_train)
train_generator = datagen.flow(X_train, y_train, batch_size=32)

# 将标签转换为分类格式
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)

# 创建CNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))

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

# 训练模型
model.fit_generator(train_generator, steps_per_epoch=len(X_train) / 32, epochs=10, verbose=1)

# 评估模型
score = model.evaluate(X_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

# 预测旋转角度
angle = np.array([30])  # 旋转角度为30度
angle_pred = model.predict(X_test)
angle_pred = np.argmax(angle_pred, axis=1)
print('Predicted angle:', angle_pred[0])

在该代码中，我们首先加载MNIST数据集并进行数据预处理。然后，我们使用Keras的ImageDataGenerator生成随机旋转的训练数据。我们将标签转换为分类格式，并使用Sequential模型搭建CNN。我们使用交叉熵作为损失函数，Adam作为优化器，并使用准确率作为评估指标。最后，我们使用训练好的模型预测手写数字的旋转角度。