采用卷积神经网络(CNN)进行MNIST数据集分类

MNIST数据集是机器学习领域中经典的数据集之一，包含了60000个训练样本和10000个测试样本，每个样本是一个28x28像素的手写数字图像，标签为0-9中的一个数字。采用卷积神经网络(CNN)进行MNIST数据集分类，可以达到较高的准确率。

以下是一个简单的CNN模型，包含两个卷积层和两个全连接层：

import tensorflow as tf
from tensorflow.keras import layers

# 定义模型
model = tf.keras.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    layers.MaxPooling2D((2,2)),
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.MaxPooling2D((2,2)),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    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(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

在这个模型中，我们使用了两个卷积层和两个池化层来提取图像的特征，然后使用两个全连接层将特征映射到输出类别。训练过程中，我们采用了Adam优化器和交叉熵损失函数，并在每个epoch结束时计算了模型在测试集上的准确率。

经过10个epoch的训练，我们得到了一个在测试集上准确率为99%左右的模型。这个准确率已经非常接近于MNIST数据集的最高准确率了，说明CNN在图像分类任务中的表现非常优秀。