使用keras库里面的MNIST数据集,构建至少三层神经网络实现MNIST手写数字识别,输出层转换为最终数字类别,使用训练好的模型对自己手写的数字进行识别并进行效果评估。

使用Keras库中的MNIST数据集构建一个三层全连接神经网络来进行手写数字识别的基本步骤如下：

1. **导入必要的库**：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

2. **加载和预处理MNIST数据**：

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0

3. **创建模型结构**：

model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),  # 展平输入
    layers.Dense(128, activation='relu'),   # 第一层隐藏层，ReLU激活函数
    layers.Dense(64, activation='relu'),    # 第二层隐藏层
    layers.Dropout(0.2),                   # 防止过拟合
    layers.Dense(10, activation='softmax')  # 输出层，10个节点对应0-9的分类，softmax用于概率分布
])

4. **编译模型**：

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

5. **训练模型**：

history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

6. **手写数字识别**：

# 假设你有自定义的手写图片data和对应的标签labels
custom_image = ...  # 对应的图像预处理成与训练数据相同的形状
prediction = model.predict(custom_image)
predicted_class = np.argmax(prediction)  # 获取预测的最大类别值

7. **评估效果**：

print(f"Predicted class for custom image: {predicted_class}")

8. **显示历史记录**：

plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend(loc='upper left')