MNIST数据集的bp神经网络python代码

下面是一个简单的使用BP神经网络对MNIST数据集进行分类的Python代码：

import numpy as np
import tensorflow as tf

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

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0
x_train = x_train.reshape(-1, 784)
x_test = x_test.reshape(-1, 784)

# 定义BP神经网络模型
model = tf.keras.models.Sequential([
  tf.keras.layers.Dense(128, activation='sigmoid'),
  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, validation_data=(x_test, y_test))

# 评估模型
model.evaluate(x_test, y_test, verbose=2)

在这个代码中，我们使用Keras API搭建了一个简单的BP神经网络模型，其中包含一个输入层、一个隐藏层和一个输出层。输入层的神经元数为784，即MNIST数据集中每张图片的像素数。隐藏层的神经元数为128，输出层的神经元数为10，即MNIST数据集中的10个数字类别。我们使用Sigmoid激活函数作为隐藏层的激活函数，并且没有为输出层指定激活函数，因为我们使用的是“from_logits=True”的交叉熵损失函数。我们使用Adam优化器来优化模型，并且使用SparseCategoricalCrossentropy作为损失函数。我们将数据集分成了训练集和测试集，并且对模型进行了10轮的训练。最后，我们使用测试集对模型进行了评估。