手写数字识别python

手写数字识别是一个机器学习中的经典问题，可以使用Python实现。以下是一个简单的示例代码：

首先，需要导入必要的库：

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras

接下来，加载MNIST数据集：

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

数据集包含60000个训练图像和10000个测试图像，每个图像都是28x28的灰度图像。我们可以使用Matplotlib库来可视化一些样本：

plt.figure(figsize=(10,10))
for i in range(25):
    plt.subplot(5,5,i+1)
    plt.xticks([])
    plt.yticks([])
    plt.grid(False)
    plt.imshow(x_train[i], cmap=plt.cm.binary)
    plt.xlabel(y_train[i])
plt.show()

接下来，我们需要对数据进行预处理。我们将像素值缩放到0到1之间，并将标签转换为独热编码：

x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)

接下来，我们可以使用Keras API来定义模型：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

这个模型有一个输入层，一个隐藏层和一个输出层。输入层是一个Flatten层，将28x28的二维数组展平成一维数组。隐藏层是一个全连接层，有128个神经元，使用ReLU激活函数。输出层也是一个全连接层，有10个神经元，使用Softmax激活函数。

接下来，我们可以编译模型并训练：

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

model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

最后，我们可以使用测试集评估模型的性能：

test_loss, test_acc = model.evaluate(x_test, y_test)

print('Test accuracy:', test_acc)

这只是一个简单的示例，还有很多可以优化的地方，如使用卷积神经网络等。但是，这个示例可以帮助你入门手写数字识别。