就像無數人從敲下“Hello World”開始代碼之旅一樣，許多研究員從“MNIST數據集”開啟了人工智能的探索之路。MNIST數據集（Mixed National Institute of Standards and Technology database）是一個用來訓練各種圖像處理系統的二進制圖像數據集，廣泛應用于機器學習中的訓練和測試。MNIST數據集共有70000張圖像，其中訓練集60000張，測試集10000張。所有圖像都是28×28的灰度圖像，每張圖像包含一個手寫數字。每張圖像都有標注。共10個類別，每個類別代表0~9之間的一個數字，每張圖像只有一個類別。

 今天就讓我們用卷積神經網絡CNN來進行minst手寫數據集分類吧～

 下面是用卷積神經網絡（CNN）來對MNIST數據集進行分類的完整示例。每一段代碼之后我都會詳細解釋其功能。

一. 導入必要的庫

import tensorflow as tf

from tensorflow.keras import layers, models

from tensorflow.keras.datasets import mnist

from tensorflow.keras.utils import to_categorical

代碼解釋：?????

1. tensorflow：導入TensorFlow庫，提供機器學習和深度學習的功能。

2. layers, models：從Keras中導入層和模型的構建模塊。

3. mnist：從Keras中導入MNIST數據集。

4. to_categorical：用于將標簽轉換為one-hot編碼。

二.  加載MNIST數據集

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

代碼解釋：

1. mnist.load_data()：加載MNIST數據集，返回訓練和測試數據的元組。MNIST數據集由28x28像素的灰度手寫數字圖像組成。

2. train_images, train_labels：訓練數據和對應的標簽。

3. test_images, test_labels：測試數據和對應的標簽。

三. 數據預處理

train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255

test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = to_categorical(train_labels)

test_labels = to_categorical(test_labels)

代碼解釋：

1. reshape((60000, 28, 28, 1))：將訓練和測試圖像調整為4D張量，以便適用于CNN輸入。`(樣本數, 高度, 寬度, 通道數)`。

2. astype('float32') / 255：將像素值歸一化到0到1之間，以提高模型訓練效率。

3. to_categorical()：將整數標簽轉換為one-hot編碼，以便于多類分類任務。

四. 構建卷積神經網絡模型

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activatinotallow='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activatinotallow='relu'))
model.add(layers.Dense(10, activatinotallow='softmax'))

代碼解釋：

1. models.Sequential()：創建一個順序模型，這意味著模型的層按順序堆疊。

2. Conv2D(32, (3, 3), activatinotallow='relu', input_shape=(28, 28, 1))：

• 32：卷積核的數量。
• (3, 3)：卷積核的大小。
• activatinotallow='relu'：使用ReLU激活函數。
• input_shape=(28, 28, 1)：輸入的形狀。

3. MaxPooling2D((2, 2))：最大池化層，使用2x2的窗口來減少空間維度。

4. Flatten()：將多維輸入展平成一維，以便于全連接層處理。

5. Dense(64, activatinotallow='relu')：全連接層，具有64個神經元和ReLU激活函數。

6. Dense(10, activatinotallow='softmax')：輸出層，具有10個神經元（對應10個類別）和softmax激活函數，用于多類分類。

五.  編譯模型

model.compile(optimizer='adam',

              loss='categorical_crossentropy',

              metrics=['accuracy'])

代碼解釋：

1. optimizer='adam'：使用Adam優化器進行訓練。

2. loss='categorical_crossentropy'：使用分類交叉熵作為損失函數。

3. metrics=['accuracy']：評估模型時關注的指標是準確率。

六. 訓練模型

model.fit(train_images, train_labels, epochs=5, batch_size=64)

代碼解釋：

1. fit(train_images, train_labels, epochs=5, batch_size=64)：

2. epochs=5：訓練整個數據集5次。

3. batch_size=64：每次使用64個樣本進行梯度更新。

七. 評估模型

test_loss, test_acc = model.evaluate(test_images, test_labels)

print(f"Test accuracy: {test_acc}")

代碼解釋：

1. evaluate(test_images, test_labels)：在測試數據上評估模型性能。

2. test_acc：測試集的準確率。

本文轉載自???人工智能訓練營???，作者：人工智能訓練營