神经网络之手写数字识别

神经网络在手写数字识别中被广泛应用。下面是一个简单的例子来演示神经网络如何进行手写数字识别：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

# 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 / 255.0
x_test = x_test / 255.0

# 构建神经网络模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=5)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)

# 使用模型进行预测
predictions = model.predict(x_test)

这个例子使用了TensorFlow库来构建一个简单的神经网络模型，该模型包含一个输入层、一个隐藏层和一个输出层。模型通过训练MNIST数据集来学习手写数字的特征，并使用softmax函数来进行分类预测。