如何用Tensorflow构建神经网络实现手写数字分类

# 如何用TensorFlow构建神经网络实现手写数字分类

手写数字分类是深度学习领域的经典入门项目，本文将介绍如何使用TensorFlow构建简单的神经网络实现MNIST手写数字识别。

## 1. 环境准备
首先安装TensorFlow库：
```python
pip install tensorflow

2. 数据加载与预处理

TensorFlow内置了MNIST数据集：

import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0  # 归一化

3. 构建神经网络模型

使用Sequential API构建简单全连接网络：

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

4. 模型编译与训练

配置优化器和损失函数：

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
              
model.fit(x_train, y_train, epochs=5)

5. 模型评估

测试集上评估性能：

model.evaluate(x_test, y_test, verbose=2)

6. 预测新数据

使用训练好的模型进行预测：

predictions = model.predict(x_test[:5])
print(tf.argmax(predictions, axis=1))

通过这个简单示例，我们实现了约98%的测试准确率。后续可以通过CNN等更复杂的网络结构进一步提升性能。

提示：完整代码建议在GPU环境下运行以获得更快训练速度 “`