深度学习入门案例py

深度学习入门的一个经典案例通常涉及到使用Python和一个深度学习库，比如TensorFlow或PyTorch，来实现一个简单的神经网络。例如，你可以尝试手写数字识别任务，这是一个经典的机器学习问题，使用MNIST数据集。
首先，你需要安装必要的库，如numpy, matplotlib, 和选择一个深度学习框架，如tensorflow.keras：
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
登录后复制
然后，对数据预处理，将其归一化并调整形状：
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(-1, 28 * 28)
x_test = x_test.reshape(-1, 28 * 28)
登录后复制
接着，构建模型，这里是一个包含几个全连接层的简单网络：
model = Sequential([
Flatten(input_shape=(28, 28)), # 展平输入图像
Dense(128, activation='relu'), # 隐藏层
Dense(64, activation='relu'),
Dense(10, activation='softmax') # 输出层，10个类别对应0-9的手写数字
])
登录后复制
配置模型并训练它：
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5, validation_split=0.2)
登录后复制
最后，评估模型性能：
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")
登录后复制
这个例子展示了如何从头开始构建一个基本的深度学习模型，解决实际问题。通过这个过程，你可以理解模型的组成、训练流程以及如何读取和处理数据。