复杂一点手写数字识别的python代码

手写数字识别通常是基于机器学习中的图像分类任务，最常用的是深度学习框架，比如TensorFlow或PyTorch。这里是一个简单的使用Keras库（由TensorFlow支持）进行MNIST手写数字识别的例子：

# 导入必要的库
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Flatten
from keras.utils import to_categorical

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

# 数据预处理
x_train = x_train.reshape(-1, 28*28) / 255.0
x_test = x_test.reshape(-1, 28*28) / 255.0
y_train = to_categorical(y_train, 10)
y_test = to_categorical(y_test, 10)

# 构建模型
model = Sequential([
    Flatten(input_shape=(28, 28)),
    Dense(128, activation='relu'),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])

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

# 训练模型
model.fit(x_train, y_train, epochs=10, validation_split=0.2)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

# 预测
predictions = model.predict_classes(x_test[:1])  # 示例预测第一个测试样本

这个代码片段创建了一个简单的全连接神经网络，用于对MNIST数据集中的手写数字进行分类。首先加载数据，然后训练模型并评估其性能。