手写体识别python代码

以下是一个基于Python的手写体识别代码示例：

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

# 加载MNIST数据集
mnist = 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 = keras.Sequential([
    keras.layers.Flatten(input_shape=(28, 28)),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              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)
print('Test accuracy:', test_acc)

# 预测手写数字
predictions = model.predict(test_images)
print(np.argmax(predictions[0]))
plt.imshow(test_images[0], cmap=plt.cm.binary)
plt.show()

该代码使用了TensorFlow和Keras库，首先加载了MNIST数据集，将输入图像和标签分别存储在train_images/train_labels和test_images/test_labels中。之后进行数据预处理，将像素值归一化为0到1之间的值。

接下来，构建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，并使用adam优化器和稀疏分类交叉熵损失函数进行编译。训练模型时，将训练图像和标签传递给fit函数，训练模型10个epochs。

最后，使用evaluate函数评估模型在测试集上的表现，并使用predict函数对手写数字进行预测。