全连接神经网络-手写数字识别项目的代码
时间: 2023-07-26 08:03:50 浏览: 59
以下是一个基于全连接神经网络的手写数字识别项目的代码示例:
```python
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from keras.datasets import mnist
# 加载 MNIST 数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 数据预处理
x_train = x_train / 255.0
x_test = x_test / 255.0
x_train = x_train.reshape(-1, 784)
x_test = x_test.reshape(-1, 784)
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)
# 定义模型
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
tf.keras.layers.Dense(10, activation='softmax')
])
# 编译模型
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
# 训练模型
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))
# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print('Test accuracy:', test_acc)
# 使用模型进行预测
predictions = model.predict(x_test)
```
这个代码使用了 TensorFlow 和 Keras 库来构建和训练模型,使用 MNIST 数据集进行手写数字识别。模型由两个全连接层组成,其中第一个层包含 128 个神经元,使用 ReLU 激活函数,第二个层包含 10 个神经元,使用 softmax 激活函数。模型使用交叉熵损失函数进行优化,在训练过程中使用了验证集进行评估。最后,模型评估了在测试集上的准确率,并使用模型进行了预测。