手写数字识别：使用 TensorFlow MNIST 数据集训练模型

本教程将指导您如何使用 TensorFlow 和 MNIST 数据集构建并训练一个手写数字识别模型。我们将涵盖数据预处理、模型构建、训练和评估等关键步骤。

1. 导入库和加载数据集

首先，导入所需的库并加载 MNIST 数据集。

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

# 获取手写数字数据集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

2. 数据预处理

MNIST 数据集包含 0 到 9 的手写数字图像。每个图像都是 28x28 像素的灰度图像。我们需要对数据进行预处理，以适合我们的模型。

# 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))

# 定义函数获取训练样本和测试样本
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]

# 获取测试集数据
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)

3. 构建模型

我们将使用一个简单的卷积神经网络 (CNN) 来识别手写数字。

# 构建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 1)),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation='softmax')
])

4. 编译模型

在训练模型之前，我们需要编译它。这包括指定优化器、损失函数和评估指标。

# 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)
model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy', metrics=['accuracy'])

5. 训练模型

现在，我们可以使用训练数据训练模型了。

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

6. 评估模型

最后，我们使用测试数据评估训练好的模型的性能。

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

总结

本教程介绍了如何使用 TensorFlow 和 MNIST 数据集构建并训练一个手写数字识别模型。您可以根据需要调整模型架构、训练参数和评估指标。