机器学习 手写数字识别python代码

机器学习中的手写数字识别是一个经典的应用场景，通常使用深度学习方法，如卷积神经网络（Convolutional Neural Networks, CNN）来完成。Python是实现这类任务的理想语言，因为它有强大的科学计算库如NumPy和Pandas，以及深度学习框架如TensorFlow或Keras。

以下是一个简单的概述和使用Keras库实现手写数字识别的步骤：

1. 导入必要的库：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

2. 加载MNIST数据集：

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

3. 数据预处理（归一化和reshape）：

train_images = train_images.reshape((60000, 28, 28, 1)) / 255.0
test_images = test_images.reshape((10000, 28, 28, 1)) / 255.0

4. 定义模型结构（例如，简单的CNN模型）：

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

5. 编译模型：

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

6. 训练模型：

model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))

7. 测试模型性能：

test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print(f"Test accuracy: {test_acc}")