提供一个基于python深度学习识别手写数字图片的样例

以下是一个基于Python深度学习识别手写数字图片的样例，使用了TensorFlow库：

import tensorflow as tf
import matplotlib.pyplot as plt

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

# 数据预处理
train_images = train_images / 255.0
test_images = test_images / 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.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(train_images, train_labels, epochs=10)

# 评估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

# 预测结果
probability_model = tf.keras.Sequential([model, tf.keras.layers.Softmax()])
predictions = probability_model.predict(test_images)

# 显示预测结果
for i in range(10):
    plt.imshow(test_images[i], cmap=plt.cm.binary)
    plt.xlabel("Actual: " + str(test_labels[i]))
    plt.title("Prediction: " + str(tf.argmax(predictions[i])))
    plt.show()

该模型使用了一个包含一个输入层、一个隐藏层和一个输出层的神经网络，其中输入层为28×28的像素值，输出层为10个数字的概率值。使用MNIST数据集进行训练和测试，并进行了10个epoch的训练。最终输出测试集的准确率，并显示了前10个测试样本的预测结果。