来一个手写数字识别代码

好的，以下是一个基于Python和TensorFlow的手写数字识别代码示例：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

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

# 将像素值归一化到 [0, 1] 的范围内
x_train, x_test = x_train / 255.0, x_test / 255.0

# 构建模型
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=5, validation_data=(x_test, y_test))

# 评估模型
model.evaluate(x_test, y_test)

# 使用模型进行预测
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(x_test)

# 输出预测结果
print(predictions[0])
print(tf.argmax(predictions[0]))

该代码使用了 TensorFlow 框架，首先加载了 MNIST 数据集，将训练数据和测试数据分别存储在变量 `x_train`、`y_train`、`x_test` 和 `y_test` 中。接着，将像素值归一化到 [0, 1] 的范围内，以便更好地训练模型。

然后，使用 `Sequential` 模型构建了一个简单的神经网络，包含了一个输入层、一个包含 128 个神经元的隐藏层、一个 Dropout 层和一个输出层。其中，激活函数使用了 ReLU，损失函数使用了交叉熵，优化器使用了 Adam。

模型编译好之后，使用 `fit` 方法对模型进行训练，设置了 5 个 epoch。训练完成之后，使用 `evaluate` 方法评估了模型的性能。

最后，使用模型对测试数据进行预测，将输出的结果进行 Softmax 处理，得到了每个数字的概率分布。对于每个测试数据，输出预测结果和模型预测的数字。