用python训练mnist数据集

在Python中，我们可以使用深度学习库如TensorFlow或PyTorch来训练MNIST手写数字识别数据集。MNIST是一个非常基础但经典的图像分类任务，包含60,000张训练图片和10,000张测试图片，每张图片都是28x28像素灰度图像。

以下是使用Keras（一个高级API，可以简化神经网络的构建）训练MNIST的基本步骤：

# 导入必要的库
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# 加载并预处理数据
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images / 255.0   # 归一化到[0,1]范围
test_images = test_images / 255.0
train_images = train_images.reshape(-1, 28 * 28)   # 将二维数组展平成一维
test_images = test_images.reshape(-1, 28 * 28)

# 构建模型
model = Sequential([
    Flatten(input_shape=(28, 28)),   # 展开输入层
    Dense(128, activation='relu'),  # 隐藏层
    Dense(10, activation='softmax')  # 输出层，10个节点对应0-9的类别
])

# 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, validation_split=0.2)  # 使用一部分数据做验证

# 评估模型性能
test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f"Test accuracy: {test_acc}")

#