tensorflow实现MNIST手写数字识别演示
一、加载数据
import tensorflow as tf #导入tensorflow库
mnist=tf.keras.datasets.mnist
(x_train,y_train),(x_test,y_test)=mnist.load_data() #加载数据如果无法加载数据的话，如类似出现如下图所示问题，则可以根据下载地址，将mnist.npz文件下载到本地。
然后通过以下代码加载本地数据文件
import tensorflow as tf
import numpy as np
def load_data(path):
with np.load(path) as f:
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
return (x_train, y_train), (x_test, y_test)
(x_train, y_train),(x_test, y_test) = load_data(path="../data/mnist.npz") #mnist的本地路径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。加载完成后，可以通过以下代码来检查一下
x_train.shape显示结果为：Out[30]: (60000, 28, 28)；x_train表示训练数据，共60000条数据，每个数据是28*28的图像。可以使用matplotlib将其中的图像画出来。 如下代码：
import matplotlib.pyplot as plt
plt.imshow(x_train[1])以上代码会显示出训练集中的第2张图片（序号从0开始），从图片可以看出是个手写的“0” 如下图所示：
再来看一下对应的训练集中的结果，应该是“0”，如下：
y_train[1]输出结果：
二、预处理数据
归一化处理。
用以下代码查看一下第二张图片的原始数据
x_train[1]截取部分结果数据，如下图所示，数据表示每个像素的灰度值，在0-255之间。
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)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
三、构建神经网络
下面的代码构建了一个输入层748，两个128神经元的隐藏，及10个神经元的输出层的神经网络。
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'])四、训练神经网络
运行一下代码进行了5次迭代训练
model.fit(x_train,y_train,epochs=5) #训练模型运行结果如下：
五、测试神经网络
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) #测试，获取准确率运行结果：
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(preditions)以下是预测及格，接近1的数据对应的下标就是预测结果。 如第一个为“1”，第二个为“4”，第二个结果为“9”
可以使用matplotlib查看一下原始图片，检验一下结果
plt.imshow(x_test[6])结果如下：
这样，我们就完成了神经网络识别手写数字的过程。：）
【腾讯云】云产品限时秒杀，爆款2核4G云服务器首年74元