TensorFlow-MNIST手写数字分类

TensorFlow 是一个功能强大的深度学习框架，可以用来构建、训练和部署机器学习模型。主要作用于：
构建神经网络模型（回归、分类、生成模型等）。
进行数值计算，并提供 GPU 加速。
实现自动梯度求导（如反向传播训练）。
应用机器学习模型进行预测。

1. 数据准备

from tensorflow.keras.datasets import mnist
# 加载数据集（已划分为训练集和测试集）
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 数据预处理：像素值归一化到 0~1 之间，并调整张量形状
x_train = x_train / 255.0
x_test = x_test / 255.0

2. 构建模型

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# 定义一个简单神经网络模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # 将 28x28 的图像展平为向量
    Dense(128, activation='relu'),  # 一个全连接层，128 个神经元，激活函数为 ReLU
    Dense(10, activation='softmax') # 输出层，10 类，用 softmax 输出概率分布
])

3. 编译模型

model.compile(
    optimizer='adam',  # Adam 优化器
    loss='sparse_categorical_crossentropy',  # 损失函数
    metrics=['accuracy']  # 评价指标
)

4. 训练模型

# 使用训练集训练模型
model.fit(x_train, y_train, epochs=5, batch_size=32)

5. 模型评估

# 在测试集上评估模型
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print("\n测试集准确率：", test_acc)

6. 模型预测

import numpy as np

# 从测试集中取一张图片
sample_image = x_test[0]
sample_image = np.expand_dims(sample_image, axis=0)  # 调整形状为 [1, 28, 28]

# 使用模型进行预测
predictions = model.predict(sample_image)
predicted_label = np.argmax(predictions)

print(f"预测结果：{predicted_label}")

可视化

1. 使用 Matplotlib 查看图像数据

import matplotlib.pyplot as plt

# 显示 MNIST 数据集中的一个样本
plt.imshow(x_train[0], cmap='gray')
plt.title(f"标签：{y_train[0]}")
plt.show()

2. 渲染训练曲线

# 绘制训练曲线（损失或准确性）
history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

# 绘制损失曲线
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title("损失曲线")
plt.xlabel("Epochs")
plt.ylabel("Loss")
plt.legend()
plt.show()

TensorFlow 提供了许多高级功能，可以进一步扩展模型的能力：

卷积神经网络（CNN）： 建立图像识别模型。
循环神经网络（RNN, LSTM）： 构建时间序列模型或自然语言处理模型。
分布式训练： 使用多 GPU 节点训练大规模模型。
导出模型： 保存模型并加载供生产环境的预测使用：

model.save('my_model.h5')  # 保存模型
new_model = tf.keras.models.load_model('my_model.h5')  # 加载模型