手写数字识别（从ipynb转化成py，直接就可运行），转化方法如下：
https://www.jianshu.com/p/c51f9504d84fhttps://www.jianshu.com/p/c51f9504d84f
#!/usr/bin/env python # coding: utf-8 # ## 一、加载数据 # x_train表示训练数据集，y_train表示训练数据集对应的结果； # # x_test表示测试数据集，y_test表示测试集对应的结果。 # In[47]: # 教程链接：https://blog.csdn.net/dusin/article/details/108544965 import tensorflow as tf mnist=tf.keras.datasets.mnist (x_train,y_train),(x_test,y_test)=mnist.load_data() #加载数据 # In[48]: # x_train表示训练数据，共60000条数据，每个数据是28*28的图像。 x_train.shape # In[31]: # 可以使用matplotlib将其中的图像画出来。 如下代码为训练集中的第2张图片（序号从0开始）： import matplotlib.pyplot as plt plt.imshow(x_train[1]) # In[32]: y_train[1] # In[33]: x_train[1] # ## 二、预处理数据 # In[34]: # 将训练集和测试集数据都进行归一化处理，如下代码所示： x_train=tf.keras.utils.normalize(x_train,axis=1) x_test=tf.keras.utils.normalize(x_test,axis=1) # In[45]: # 然后再使用 “x_train[1]”显示一下结果，如下图所示，相当于每个数据都除以了255 x_train[1] # ## 三、构建神经网络并训练 # 下面的代码构建了一个输入层748（即28 * 28个像素），两个128神经元的隐藏，及10个神经元的输出层的神经网络。 # # metrics是衡量指标，有很多，这里选了准确度 # # 损失函数：选用sparse_categorical_crossentropy而不是categorical_crossentropy的原因是：y_train不是one-hot类型的 # # https://www.cnblogs.com/pandas-blue/p/12448185.html # In[49]: model = tf.keras.models.Sequential() model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu)) model.add(tf.keras.layers.Dense(128,activation=tf.nn.relu)) model.add(tf.keras.layers.Dense(10,activation=tf.nn.softmax)) model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy']) # In[36]: model.fit(x_train,y_train,epochs=5) #训练模型，进行5次迭代训练 # ## 四、测试神经网络 # In[37]: # 以下一行代码使用测试集进行测试 val_loss,val_acc=model.evaluate(x_test,y_test) # 获取准确率 # In[38]: # 判断某些数据，还是从测试集中挑选图片来预测。如下代码： predictions=model.predict([x_test[5:8]])#识别测试集中第6到8张图片 print(predictions) # In[42]: plt.imshow(x_test[5]) # In[43]: plt.imshow(x_test[6]) # In[44]: plt.imshow(x_test[7])
