手写数字识别：MNIST 数据集处理与模型训练

手写数字识别

获取手写数字数据集

from tensorflow.keras.datasets import mnist
import numpy as np
import tensorflow as tf

# 加载 MNIST 数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 训练集数据维度的调整：N H W C
train_images = np.reshape(train_images,
(train_images.shape[0], train_images.shape[1], train_images.shape[2], 1))

# 测试集数据维度的调整：N H W C
test_images = np.reshape(test_images,
(test_images.shape[0], test_images.shape[1], test_images.shape[2], 1))

# 定义获取训练数据的函数
def get_train(size):
    # 随机生成要抽样的样本的索引
    index = np.random.randint(0, np.shape(train_images)[0], size)
    # 将这些数据resize成224*224大小
    resized_images = tf.image.resize_with_pad(train_images[index], 224, 224)
    # 返回抽取的
    return resized_images.numpy(), train_labels[index]

# 定义获取测试数据的函数
def get_test(size):
    # 随机生成要抽样的样本的索引
    index = np.random.randint(0, np.shape(test_images)[0], size)
    # 将这些数据resize成224*224大小
    resized_images = tf.image.resize_with_pad(test_images[index], 224, 224)
    # 返回抽样的测试样本
    return resized_images.numpy(), test_labels[index]

# 获取训练样本和测试样本
train_images, train_labels = get_train(256)
test_images, test_labels = get_test(128)

# 假设 net 是你的模型
# ...

# 指定优化器，损失函数和评价指标
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01, momentum=0.0)
net.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# 模型训练：指定训练数据，batchsize,epoch,验证集
net.fit(train_images, train_labels, batch_size=128, epochs=3, verbose=1, validation_split=0.1)

# 指定测试数据
net.evaluate(test_images, test_labels, verbose=1)

代码说明:

导入库: 导入必要的库，包括 tensorflow.keras.datasets 用于加载 MNIST 数据集、numpy 用于数组操作和 tensorflow 用于模型构建和训练。
加载数据集: 使用 mnist.load_data() 加载 MNIST 数据集，并分别获取训练集和测试集的图像和标签。
数据预处理:
- 调整图像维度：将图像数据从 (N, H, W) 调整为 (N, H, W, C) 的格式，其中 C 为通道数，这里为 1（灰度图像）。
- 随机抽样：定义 get_train() 和 get_test() 函数，用于从训练集和测试集中随机抽样数据。
- 图像缩放：使用 tf.image.resize_with_pad() 将图像缩放至 224*224 大小。
模型训练:
- 定义优化器、损失函数和评价指标：使用 tf.keras.optimizers.SGD() 定义随机梯度下降优化器，使用 'sparse_categorical_crossentropy' 定义损失函数，使用 'accuracy' 定义评价指标。
- 训练模型：使用 net.fit() 训练模型，指定训练数据、batch 大小、epoch 数、验证集比例等参数。
- 评估模型：使用 net.evaluate() 对模型进行评估，指定测试数据。

注意: 以上代码仅提供参考，具体实现需要根据你的模型和需求进行调整。

常见错误：

模型未定义：请确保在代码中定义了 net 模型。
数据维度不匹配：请确保训练集和测试集的维度与模型输入的维度匹配。
未导入相关模块：请确保你已导入 tensorflow.keras.datasets、numpy 和 tensorflow 模块。
变量未定义：请确保在代码中使用了所有必要的变量。