用pythony写出手写数字识别的代码

好的，下面是一个简单的手写数字识别代码的示例，使用Python和Keras框架：

首先，我们需要导入所需的库：

import numpy as np
from keras.models import Sequential
from keras.layers.core import Dense, Activation
from keras.utils import np_utils
from keras.datasets import mnist

接着，我们可以加载MNIST数据集，该数据集包含60,000张28x28像素的手写数字图像和相应的标签（0到9之间的整数）：

(X_train, y_train), (X_test, y_test) = mnist.load_data()

我们需要对图像进行预处理，将它们转换为模型可以处理的格式（1维数组），并将像素值归一化为0到1之间的浮点数。同时，我们将标签进行one-hot编码：

# 将图像转换为1维数组
X_train = X_train.reshape(60000, 784)
X_test = X_test.reshape(10000, 784)

# 将像素值归一化为0到1
X_train = X_train.astype('float32') / 255
X_test = X_test.astype('float32') / 255

# 将标签进行one-hot编码
Y_train = np_utils.to_categorical(y_train, 10)
Y_test = np_utils.to_categorical(y_test, 10)

接着，我们可以定义一个简单的神经网络模型，包含3个全连接层和2个激活函数层（使用ReLU激活函数和Softmax激活函数）。最后，我们可以编译模型并训练它：

# 定义模型
model = Sequential()
model.add(Dense(512, input_shape=(784,)))
model.add(Activation('relu'))
model.add(Dense(512))
model.add(Activation('relu'))
model.add(Dense(10))
model.add(Activation('softmax'))

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

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

训练完成后，我们可以使用测试集评估模型的性能：

score = model.evaluate(X_test, Y_test, verbose=0)
print('Test accuracy:', score[1])

这就是一个简单的手写数字识别代码示例，希望能对您有所帮助！