在python里实现基于LeNet-5的手写数字识别

要在 Python 中实现基于 LeNet-5 的手写数字识别，通常会借助深度学习框架如 TensorFlow 或 PyTorch 来构建和训练模型。以下是基于 Keras（TensorFlow 高级 API）的一个简单实现：
import numpy as np
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

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

# 归一化像素值至 [0, 1] 范围，并将数据重塑为适合卷积网络的形式
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32') / 255.
x_test = x_test.reshape(-1, 28, 28, 1).astype('float32') / 255.

# 将标签转换成 one-hot 编码形式
y_train = keras.utils.to_categorical(y_train, num_classes=10)
y_test = keras.utils.to_categorical(y_test, num_classes=10)

# 定义 LeNet-5 模型架构
model = Sequential()
model.add(Conv2D(filters=6, kernel_size=(5, 5), strides=(1, 1), activation='tanh', input_shape=(28, 28, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Conv2D(filters=16, kernel_size=(5, 5), strides=(1, 1), activation='tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))

model.add(Flatten())
model.add(Dense(units=120, activation='tanh'))
model.add(Dense(units=84, activation='tanh'))
model.add(Dense(units=10, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_split=0.2)

# 测试模型性能
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {test_acc}")
登录后复制
此段程序首先加载了标准的 MNIST 数据库用于训练及验证；接着按照原始论文描述搭建了一个简化版的 LeNet-5 结构并通过 Adam 最佳化器来进行参数更新过程。