卷积神经网络手写数字识别代码

好的，下面是一个简单的卷积神经网络（CNN）手写数字识别代码：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将像素值缩放到 [0, 1]
x_train, x_test = x_train / 255.0, x_test / 255.0

# 定义模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train.reshape((-1, 28, 28, 1)), y_train, epochs=5, validation_data=(x_test.reshape((-1, 28, 28, 1)), y_test))

# 评估模型
model.evaluate(x_test.reshape((-1, 28, 28, 1)),  y_test, verbose=2)

这个代码使用了 TensorFlow 的 Keras API 来构建一个两层卷积神经网络来识别手写数字。它使用的是 MNIST 数据集，其中包含了 28x28 像素的灰度手写数字图像。模型的输出是一个长度为 10 的向量，每个元素代表一个数字类别的概率。模型使用交叉熵损失函数和 Adam 优化器进行训练，并评估训练集和测试集的准确率。