基于python使用卷积神经网络进行MNIST数据集分类

基于Python的卷积神经网络(CNN)对MNIST手写数字数据集进行分类是一个常见的机器学习入门示例。MNIST是一组包含60,000个训练样本和10,000个测试样本的小型图像数据库，每个像素值都在0到255之间，用于单个灰度图像的手写数字识别。

以下是使用Keras库（它是在TensorFlow等深度学习框架之上建立的高级API）实现的一个简单步骤：

1. **导入必要的库**：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

2. **加载和预处理数据**：

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))
# 归一化像素值
train_images, test_images = train_images / 255.0, test_images / 255.0

3. **构建卷积神经网络模型**：

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

4. **编译和训练模型**：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

5. **评估模型**：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)