用jupyter的tensorflow做一个准确度高的数字图像识别自己的数字图片代码

好的，下面是一个基于TensorFlow和CNN的数字图像识别代码，可以在Jupyter Notebook中执行。这是一个示例代码，需要你根据自己的数据集进行修改和调整。

# 导入必要的库
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np
import matplotlib.pyplot as plt
import os
from PIL import Image

# 设置参数
batch_size = 32
img_height = 28
img_width = 28

# 加载数据集
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
    'data/train',
    validation_split=0.2,
    subset="training",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
    'data/train',
    validation_split=0.2,
    subset="validation",
    seed=123,
    image_size=(img_height, img_width),
    batch_size=batch_size)

class_names = train_ds.class_names
num_classes = len(class_names)

# 数据预处理
data_augmentation = keras.Sequential(
    [
        layers.experimental.preprocessing.RandomFlip("horizontal"),
        layers.experimental.preprocessing.RandomRotation(0.1),
        layers.experimental.preprocessing.RandomZoom(0.1),
    ]
)

# 构建模型
model = keras.Sequential([
    data_augmentation,
    layers.experimental.preprocessing.Rescaling(1./255),
    layers.Conv2D(32, 3, activation='relu'),
    layers.MaxPooling2D(),
    layers.Conv2D(64, 3, activation='relu'),
    layers.MaxPooling2D(),
    layers.Conv2D(128, 3, activation='relu'),
    layers.MaxPooling2D(),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(num_classes)
])

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

# 训练模型
epochs=10
history = model.fit(
    train_ds,
    validation_data=val_ds,
    epochs=epochs
)

# 评估模型
test_ds = tf.keras.preprocessing.image_dataset_from_directory(
    'data/test',
    image_size=(img_height, img_width),
    batch_size=batch_size)

model.evaluate(test_ds)

# 预测数字
def predict_digit(image_path):
    img = Image.open(image_path)
    img = img.resize((img_height, img_width))
    img = np.array(img)
    img = img / 255.0
    img = np.expand_dims(img, axis=0)
    prediction = model.predict(img)
    return class_names[np.argmax(prediction)]

# 测试预测函数
print(predict_digit('data/test/9/1.png')) # 预测结果应该是 "9"

在执行代码之前，你需要将你的手写数字图片数据集放在以下目录结构中（假设你的数据集名称为`my_digits`）：

my_digits/
├── train/
│   ├── 0/
│   ├── 1/
│   ├── 2/
│   ├── ...
├── test/
│   ├── 0/
│   ├── 1/
│   ├── 2/
│   ├── ...

其中，`train`目录包含用于训练模型的手写数字图片，`test`目录包含用于评估模型和预测数字的手写数字图片。每个数字应该有一个独立的子目录，子目录名为数字的标签（例如`0`，`1`，`2`等等），每个子目录应该包含对应的手写数字图片。

你需要修改代码中的`train_ds`、`val_ds`和`test_ds`路径，以及`predict_digit()`函数中的图片路径，来适应你自己的数据集。