softmax回归mnist数据集python代码

啊，以下是一个使用Python编写的softmax回归模型对MNIST数据集进行分类的简单代码示例。

import numpy as np
import tensorflow as tf

# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(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

# 构建模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  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)

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

这段代码首先导入所需的库，然后加载MNIST数据集并对数据进行预处理。接着构建了一个简单的softmax回归模型，其中包括一个Flatten层将输入展平，以及一个具有softmax激活函数的全连接层。然后对模型进行编译，使用adam优化器和稀疏分类交叉熵损失函数。最后，使用训练集训练模型，并在测试集上评估模型的性能。

希望这个代码能帮到你，如果有其他问题，欢迎再次提问！