LeNet-5识别手写数字完整python代码，我的数据集放在D盘

以下是一个使用 LeNet-5 模型来识别手写数字的完整 Python 代码示例，假设数据集是以 MNIST 格式存储在 `D:/mnist` 文件夹中：

import gzip
import numpy as np
import tensorflow as tf

def load_mnist(path, kind='train'):
    """Load MNIST data from `path`"""
    labels_path = f'{path}/{kind}-labels-idx1-ubyte.gz'
    images_path = f'{path}/{kind}-images-idx3-ubyte.gz'

    with gzip.open(labels_path, 'rb') as lbpath:
        labels = np.frombuffer(lbpath.read(), dtype=np.uint8, offset=8)

    with gzip.open(images_path, 'rb') as imgpath:
        images = np.frombuffer(imgpath.read(), dtype=np.uint8, offset=16).reshape(len(labels), 784)

    return images, labels

# 加载数据集
X_train, y_train = load_mnist('D:/mnist', kind='train')
X_test, y_test = load_mnist('D:/mnist', kind='test')

# 将数据集转换为浮点数类型，并归一化到 [0, 1]
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 将标签转换为 one-hot 编码
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)

# 定义 LeNet-5 模型
model = tf.keras.Sequential([
    tf.keras.layers.Reshape((28, 28, 1), input_shape=(784,)),
    tf.keras.layers.Conv2D(filters=6, kernel_size=(5, 5), activation='relu'),
    tf.keras.layers.AveragePooling2D(),
    tf.keras.layers.Conv2D(filters=16, kernel_size=(5, 5), activation='relu'),
    tf.keras.layers.AveragePooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units=120, activation='relu'),
    tf.keras.layers.Dense(units=84, activation='relu'),
    tf.keras.layers.Dense(units=10, activation='softmax')
])

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

# 训练模型
model.fit(X_train, y_train, epochs=10, batch_size=128, validation_data=(X_test, y_test))

# 评估模型
test_loss, test_acc = model.evaluate(X_test, y_test, verbose=2)
print(f'Test accuracy: {test_acc}')

在这里，我们首先使用 `load_mnist()` 函数加载数据集，并将其转换为浮点数类型，并归一化到 [0, 1]。然后，我们将标签转换为 one-hot 编码。接下来，我们定义了一个包含两个卷积层和三个全连接层的 LeNet-5 模型，并使用 `compile()` 方法编译模型。然后，我们使用 `fit()` 方法训练模型，并使用 `evaluate()` 方法评估模型的性能。