MINST数字识别采用避免过拟合的方式：正则化用python代码写出

以下是使用Python和Keras实现MNIST数字识别并采用L2正则化的方式的示例代码：

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, regularizers

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

# 将像素值缩放到 [0, 1] 的范围内
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 = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

# 定义模型
model = keras.Sequential(
    [
        keras.Input(shape=(784)),
        layers.Dense(256, activation="relu", kernel_regularizer=regularizers.l2(0.001)),  # 添加 L2 正则化
        layers.Dense(128, activation="relu", kernel_regularizer=regularizers.l2(0.001)),  # 添加 L2 正则化
        layers.Dense(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=20, batch_size=128, validation_split=0.1)

# 在测试集上评估模型性能
test_loss, test_acc = model.evaluate(x_test, y_test)
print("Test accuracy:", test_acc)

在上面的代码中，我们使用了两个 Dense 层，并在每个层上添加了 L2 正则化，其中正则化强度为 0.001。此外，我们还使用了验证集来监测模型的性能，并使用 Adam 优化器编译了模型。最后，我们在测试集上评估了模型的性能。