卷积神经网络实现手写数字识别的代码

卷积神经网络（Convolutional Neural Network，CNN）是一种在图像识别领域中广泛应用的深度学习算法。手写数字识别是CNN在计算机视觉中的一个重要应用。

下面是一个使用Python和Keras库实现手写数字识别的CNN代码示例：

import keras
from keras.datasets import mnist
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten
from keras.models import Sequential

# 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, 28, 28, 1)
x_test = x_test.reshape(x_test.shape, 28, 28, 1)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# 将标签转换为独热编码
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 构建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=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train,
          batch_size=128,
          epochs=12,
          verbose=1,
          validation_data=(x_test, y_test))

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

上述代码中，首先加载MNIST数据集，并对数据进行预处理。然后，定义了一个包含两个卷积层、一个最大池化层和两个全连接层的CNN模型。最后，使用Adadelta优化器编译模型，并训练和评估模型。

希望这个简单的示例能够帮助你了解如何使用CNN实现手写数字识别。如果您有其他问题，请继续提问！