数字识别代码
时间: 2023-07-27 16:05:56 浏览: 34
以下是一个简单的数字识别代码,它使用Python和TensorFlow库来训练一个卷积神经网络模型,用于识别手写数字:
```python
import tensorflow as tf
from tensorflow.keras.datasets import mnist
# 加载数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 对数据进行归一化和缩放
x_train = x_train / 255.0
x_test = x_test / 255.0
# 定义模型
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=10)
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)
# 进行预测
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(x_test)
```
在这个代码中,我们使用MNIST数据集,该数据集包含了60000张28x28像素的手写数字图像和10000张测试图像。我们首先对数据进行归一化和缩放,然后定义了一个包含两个Dense层的卷积神经网络模型。我们使用Adam优化器和SparseCategoricalCrossentropy损失函数来编译模型,并在训练集上训练了10个epoch。最后,我们对模型进行了评估,并使用Softmax层来进行预测。