python写cnn识别mnist

在Python中，使用卷积神经网络（Convolutional Neural Networks, CNN）来识别MNIST手写数字数据集是一个常见的机器学习项目。以下是一个简单的步骤概述：

1. **安装库**：
首先，确保已安装必要的库，如TensorFlow或PyTorch。可以使用pip命令安装：

   pip install tensorflow keras (或) pip install torch torchvision

2. **导入模块**：
导入所需的模块，例如`tf.keras`（如果使用TensorFlow）或`torch.nn`（如果使用PyTorch）：

   import tensorflow as tf
   from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
   # 或者
   import torch
   import torch.nn as nn
   import torch.optim as optim

3. **加载MNIST数据**：
使用TensorFlow的`tf.keras.datasets.mnist`或PyTorch的`torchvision.datasets.MNIST`加载数据：

   (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()  # TensorFlow
   # 或者
   train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=..., download=True)
   test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=...)

4. **预处理数据**：
将图像归一化到0-1之间，并调整成合适的输入形状（通常是`(28, 28, 1)` for grayscale images）：

   train_images = train_images / 255.0
   test_images = test_images / 255.0
   train_images = train_images[..., np.newaxis]
   test_images = test_images[..., np.newaxis]  # 添加额外维度

5. **构建CNN模型**：
定义一个包含卷积层、池化层、扁平化层以及全连接层的模型：

   # TensorFlow
   model = tf.keras.models.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')
   ])

   # PyTorch
   class Net(nn.Module):
       def __init__(self):
           super().__init__()
           self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
           self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
           self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
           self.fc1 = nn.Linear(64 * 7 * 7, 128)
           self.fc2 = nn.Linear(128, 10)

   model = Net()

6. **编译和训练模型**：
设置损失函数（如交叉熵）、优化器（如Adam）和评估指标（如准确率）：

   model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

   # TensorFlow
   model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

   # PyTorch
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.Adam(model.parameters())
   model.fit(dataloader=train_loader, epochs=10, val_dataloaders=test_loader)

7. **评估模型**：
使用测试数据集评估模型性能：

   test_loss, test_acc = model.evaluate(test_images, test_labels)
   print(f"Test accuracy: {test_acc}")