python多分类手写数字识别实验代码

以下是一个基于TensorFlow和Keras的手写数字识别实验代码：

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

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

# 对数据进行预处理
train_images = train_images / 255.0
test_images = test_images / 255.0

# 构建模型
model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    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(train_images, train_labels, epochs=10)

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

# 预测结果
predictions = model.predict(test_images)

上述代码中，我们首先加载MNIST数据集，然后对训练集和测试集的图片数据进行归一化处理。接着，我们构建了一个包含两个Dense层的神经网络模型，其中第一个Dense层有128个神经元，使用ReLU激活函数；第二个Dense层有10个神经元，使用Softmax激活函数。我们使用Adam优化器和稀疏分类交叉熵作为损失函数来编译模型。然后，我们使用训练集数据对模型进行训练，训练10个周期。最后，我们评估模型在测试集上的表现，并对测试集的图片进行预测。