深度学习python代码

深度学习是机器学习中的一种，它使用神经网络模型来解决复杂的模式识别和预测问题。Python是深度学习中最常用的编程语言之一。以下是一个简单的深度学习Python代码示例，用于识别手写数字：

# 导入必要的库
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.optimizers import RMSprop

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 数据处理
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 建立模型
model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(784,)))
model.add(Dropout(0.2))
model.add(Dense(512, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy',
              optimizer=RMSprop(),
              metrics=['accuracy'])

# 训练模型
history = model.fit(x_train, y_train,
                    batch_size=128,
                    epochs=20,
                    verbose=1,
                    validation_data=(x_test, y_test))

# 评估模型
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score)
print('Test accuracy:', score)

这个代码演示了一个基本的深度神经网络的训练过程。在这个例子中，我们使用Keras框架来构建、编译和训练一个包含两个隐藏层的神经网络，用于识别手写数字。通过这个代码，你可以学习到如何加载数据、预处理数据、构建模型、编译模型、训练模型和评估模型。当然，深度学习的应用十分广泛，可以用于图像识别、自然语言处理、音频处理等多个领域。