目录
- 手写数字识别（MNIST）
- 1. 导入必要的库
- 2. 加载和预处理数据
- 3. 构建模型
- 4. 编译模型
- 5. 训练模型
- 6. 评估模型
- 7. 可视化训练过程（可选）
- 代码说明
- 运行环境
- 总结
当然可以！下面是一个使用Python和Keras（TensorFlow后端）实现的简单深度学习案例——手写数字识别（MNIST数据集）。代码中包含详细的中文注释，帮助你理解每一部分的功能。
手写数字识别（MNIST）
1. 导入必要的库
# 导入TensorFlow和Keras相关模块
import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
2. 加载和预处理数据
# 加载MNIST数据集
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()# 查看数据形状
print("训练集图像形状:", train_images.shape)
print("训练集标签形状:", train_labels.shape)
print("测试集图像形状:", test_images.shape)
print("测试集标签形状:", test_labels.shape)# 数据归一化，将像素值从0-255缩放到0-1之间
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255
test_images = test_images.reshape((10000, 28, 
