python手写数字识别代码

下面是一个简单的 Python 代码，用于手写数字识别。它使用了一个简单的神经网络模型，该模型由一个输入层、一个隐藏层和一个输出层组成。

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 加载 MNIST 数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 定义神经网络的模型
input_size = 784
hidden_size = 100
output_size = 10

x = tf.placeholder(tf.float32, [None, input_size])
y = tf.placeholder(tf.float32, [None, output_size])

W1 = tf.Variable(tf.truncated_normal([input_size, hidden_size], stddev=0.1))
b1 = tf.Variable(tf.zeros([hidden_size]))

W2 = tf.Variable(tf.truncated_normal([hidden_size, output_size], stddev=0.1))
b2 = tf.Variable(tf.zeros([output_size]))

hidden_layer = tf.nn.relu(tf.matmul(x, W1) + b1)
output_layer = tf.matmul(hidden_layer, W2) + b2

# 定义损失函数和优化器
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=output_layer, labels=y))
optimizer = tf.train.AdamOptimizer().minimize(loss)

# 训练模型
batch_size = 100
num_epochs = 10
num_batches = mnist.train.num_examples // batch_size

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for epoch in range(num_epochs):
        for batch in range(num_batches):
            batch_x, batch_y = mnist.train.next_batch(batch_size)
            sess.run(optimizer, feed_dict={x: batch_x, y: batch_y})

        # 每个 epoch 结束后，计算模型在验证集上的准确率
        valid_accuracy = np.mean(np.argmax(mnist.validation.labels, axis=1) == sess.run(tf.argmax(output_layer, axis=1), feed_dict={x: mnist.validation.images}))
        print("Epoch {} - Validation Accuracy: {:.4f}".format(epoch + 1, valid_accuracy))

    # 在测试集上评估模型的准确率
    test_accuracy = np.mean(np.argmax(mnist.test.labels, axis=1) == sess.run(tf.argmax(output_layer, axis=1), feed_dict={x: mnist.test.images}))
    print("Test Accuracy: {:.4f}".format(test_accuracy))

    # 随机选择一个测试样本进行预测，并可视化预测结果
    idx = np.random.randint(mnist.test.images.shape[0])
    img = mnist.test.images[idx].reshape([28, 28])
    plt.imshow(img, cmap="gray")
    plt.show()

    pred = sess.run(tf.argmax(output_layer, axis=1), feed_dict={x: [mnist.test.images[idx]]})
    print("Model Prediction: {}".format(pred[0]))

这个代码使用了 TensorFlow 框架，通过加载 MNIST 数据集进行训练和测试。在训练过程中，模型在每个 epoch 结束后在验证集上进行评估，以便监控模型的性能。在测试阶段，模型在测试集上进行评估，以获得最终的准确率。最后，我们从测试集中随机选择一个样本，并使用训练好的模型对其进行预测。