卷积神经网络实现MNIST数据集分类

MNIST数据集是一个手写数字识别数据集，它是机器学习领域的经典数据集之一。下面我们将使用卷积神经网络（Convolutional Neural Network, CNN）来实现MNIST数据集的分类。首先，我们需要导入必要的库和MNIST数据集。可以使用TensorFlow内置的tf.keras.datasets模块来加载MNIST数据集。 ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 加载MNIST数据集 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() ``` 接下来，我们需要对输入数据进行预处理。我们将把每个像素值缩放到0到1的范围内，并将输入数据的形状从28x28调整为1x28x28。这是因为CNN需要输入一个三维张量，其中第一维是样本数，第二维和第三维是图像的高度和宽度。 ```python # 对输入数据进行预处理 x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0 x_train = tf.expand_dims(x_train, -1) x_test = tf.expand_dims(x_test, -1) ``` 接下来，我们将定义一个简单的卷积神经网络。它由两个卷积层和两个全连接层组成。每个卷积层后面跟着一个最大池化层，以减少特征图的尺寸。最后一个全连接层的输出是10，与MNIST数据集的类别数相同。 ```python # 定义卷积神经网络 model = keras.Sequential( [ keras.Input(shape=(28, 28, 1)), layers.Conv2D(32, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(64, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dropout(0.5), layers.Dense(10, activation="softmax"), ] ) ``` 接下来，我们将编译模型并训练它。我们将使用Adam优化器和交叉熵损失函数。 ```python # 编译模型 model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=["accuracy"]) # 训练模型 model.fit(x_train, y_train, batch_size=128, epochs=5, validation_split=0.1) ``` 最后，我们将在测试集上评估模型的性能。 ```python # 评估模型 score = model.evaluate(x_test, y_test, verbose=0) print("Test loss:", score[0]) print("Test accuracy:", score[1]) ``` 完整的代码如下所示： ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers # 加载MNIST数据集 (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data() # 对输入数据进行预处理 x_train = x_train.astype("float32") / 255.0 x_test = x_test.astype("float32") / 255.0 x_train = tf.expand_dims(x_train, -1) x_test = tf.expand_dims(x_test, -1) # 定义卷积神经网络 model = keras.Sequential( [ keras.Input(shape=(28, 28, 1)), layers.Conv2D(32, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(64, kernel_size=(3, 3), activation="relu"), layers.MaxPooling2D(pool_size=(2, 2)), layers.Flatten(), layers.Dropout(0.5), layers.Dense(10, activation="softmax"), ] ) # 编译模型 model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=["accuracy"]) # 训练模型 model.fit(x_train, y_train, batch_size=128, epochs=5, validation_split=0.1) # 评估模型 score = model.evaluate(x_test, y_test, verbose=0) print("Test loss:", score[0]) print("Test accuracy:", score[1]) ``` 运行代码后，你应该会看到模型在测试集上的准确率约为99%。