神经网络识别手写数字

神经网络识别手写数字是一个经典的机器学习问题。下面是一个简单的例子，展示如何使用Python和Keras库来训练一个神经网络来识别手写数字。

首先，我们需要准备手写数字的数据集。MNIST数据集是一个常用的手写数字数据集，包含了60000个训练样本和10000个测试样本。可以使用Keras库中的mnist.load_data()函数来加载MNIST数据集。

from keras.datasets import mnist

# 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

接下来，我们需要对数据进行预处理。由于神经网络只能处理数值型数据，因此我们需要将图像数据转换为数字数组。同时，我们还需要对数据进行归一化处理，将像素值缩放到0到1之间。

# 将图像数据转换为数字数组，并进行归一化处理
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

接下来，我们可以定义一个简单的神经网络模型。这个模型包含一个输入层、一个隐藏层和一个输出层。输入层和输出层的大小分别为28*28和10，隐藏层的大小为512。激活函数使用ReLU函数，损失函数使用交叉熵，优化器使用RMSprop。

from keras import models
from keras import layers

# 定义神经网络模型
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))

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

接下来，我们可以使用训练数据来训练神经网络模型。在训练过程中，我们需要将标签数据进行one-hot编码，将其转换为10维向量。

from keras.utils import to_categorical
# 将标签数据进行one-hot编码
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

# 训练模型
network.fit(train_images, train_labels, epochs=5, batch_size=128)

最后，我们可以使用测试数据来评估模型的性能。

# 评估模型
test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)