---

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

1. 加载数据集 (MNIST 手写数字)

(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()

2. 数据预处理

x_train = x_train.reshape((-1, 28, 28, 1)).astype("float32") / 255.0 # 加通道维度 & 归一化
x_test = x_test.reshape((-1, 28, 28, 1)).astype("float32") / 255.0

3. 建立 CNN 模型

model = models.Sequential([
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), # 卷积层
layers.MaxPooling2D((2, 2)), # 池化层
layers.Conv2D(64, (3, 3), activation='relu'), # 再来一层卷积
layers.MaxPooling2D((2, 2)),
layers.Flatten(), # 拉平成一维
layers.Dense(64, activation='relu'), # 全连接层
layers.Dense(10, activation='softmax') # 输出10类(0-9)
])

4. 编译模型

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

5. 训练模型

model.fit(x_train, y_train, epochs=3, validation_data=(x_test, y_test))

6. 评估模型

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"测试集准确率: {test_acc:.4f}")

7. 预测

import numpy as np
import matplotlib.pyplot as plt

sample = x_test[0] # 取一张图片
plt.imshow(sample.reshape(28,28), cmap="gray")
plt.show()

pred = model.predict(np.expand_dims(sample, axis=0))
print("预测结果:", pred.argmax())

 

 

 

---

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

👉 请来帮手：

• tensorflow：深度学习的“大脑框架”。
• datasets：自带一些常用数据集（比如手写数字）。
• layers：神经网络的“积木块”（卷积层、池化层、全连接层等）。
• models：用来把积木块拼成完整的网络。

---

# 1. 加载数据集 (MNIST 手写数字)
(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()

👉 从 datasets 里拿出 MNIST 数据集：

• x_train：训练图片（60000 张，28×28 灰度图）。
• y_train：训练标签（每张图对应的数字 0–9）。
• x_test：测试图片（10000 张）。
• y_test：测试标签。
  就像拿到一本“手写数字练习册”，前面用来教 AI，后面用来考试。

---

# 2. 数据预处理
x_train = x_train.reshape((-1, 28, 28, 1)).astype("float32") / 255.0
x_test = x_test.reshape((-1, 28, 28, 1)).astype("float32") / 255.0

👉 数据加工：

• .reshape((-1, 28, 28, 1))：给图片加一个“通道维度”（最后的 1 表示灰度图像）。
• .astype("float32")：把数据转成浮点数，方便计算。
• / 255.0：把像素从 0~255 压缩到 0~1，让模型更容易学。
  就好比给学生先把图片剪好、排好格式。

---

# 3. 建立 CNN 模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),  # 卷积层
    layers.MaxPooling2D((2, 2)),                                            # 池化层
    layers.Conv2D(64, (3, 3), activation='relu'),                           # 再来一层卷积
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),                                                       # 拉平成一维
    layers.Dense(64, activation='relu'),                                    # 全连接层
    layers.Dense(10, activation='softmax')                                  # 输出10类(0-9)
])

👉 搭建大脑：

• Sequential：一层层往下堆，像乐高积木。
• Conv2D(32, (3,3), ...)：卷积层，32 个小滤镜，每个滤镜大小 3×3，用来找图片里的小特征（边、角）。
• MaxPooling2D((2,2))：池化层，把图缩小一半，减少计算。
• 再加一层卷积 + 池化：让模型学更复杂的形状。
• Flatten()：把二维图片摊平成一维数组，方便送到全连接层。
• Dense(64, activation='relu')：全连接层，64 个神经元，负责综合特征。
• Dense(10, activation='softmax')：输出层，10 个结果，对应数字 0–9，每个数是概率。

---

# 4. 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

👉 告诉模型怎么玩：

• optimizer='adam'：聪明的调参工人，自动调整学习速度。
• loss='sparse_categorical_crossentropy'：计算预测和正确答案差多少，专门用于“分类问题”。
• metrics=['accuracy']：额外统计准确率。

---

# 5. 训练模型
model.fit(x_train, y_train, epochs=3, validation_data=(x_test, y_test))

👉 开始上课：

• fit 就是“训练”。
• epochs=3：重复学三遍。
• validation_data=(x_test, y_test)：边学边拿测试集考一考，防止死记硬背。

---

# 6. 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print(f"测试集准确率: {test_acc:.4f}")

👉 期末考试：

• evaluate：用测试集打分。
• test_acc：就是最终的考试分数（准确率）。

---

# 7. 预测
import numpy as np
import matplotlib.pyplot as plt

sample = x_test[0]  # 取一张图片
plt.imshow(sample.reshape(28,28), cmap="gray")
plt.show()

pred = model.predict(np.expand_dims(sample, axis=0))
print("预测结果:", pred.argmax())

👉 随机考一道题：

• x_test[0]：拿第一张测试图片。
• plt.imshow(...)：显示出来。
• np.expand_dims(sample, axis=0)：加一个“批次维度”，因为模型习惯一批一批算。
• model.predict(...)：让模型算答案。
• pred.argmax()：找出概率最大的数字，就是预测结果。

---

✅ 总结：
这段代码就是一个“AI 学生学数学”的故事：

1. 给它看很多手写数字（教材）。
2. 搭建一个“眼睛+大脑”的结构（CNN）。
3. 训练它，让它学会区分数字。
4. 考试看看成绩。
5. 随便抽一张图，让它答题。

---