python深度学习手写数字识别代码

以下是使用Python和Keras库实现手写数字识别的代码示例：

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.utils import np_utils

# 加载MNIST数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 将图像转换为一维向量
X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)

# 将像素值缩放到0和1之间
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 将标签进行one-hot编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

# 定义模型
model = Sequential()
model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

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

# 训练模型
model.fit(X_train, y_train, batch_size=128, 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])

这个代码会下载MNIST数据集，将图像转换为一维向量，并将标签进行one-hot编码。然后定义一个简单的多层感知机模型，并编译和训练模型。最后，使用测试集对模型进行评估，输出测试损失和测试准确率。