锋哥原创的TensorFlow2 Python深度学习视频教程：

https://www.bilibili.com/video/BV1X5xVz6E4w/

课程介绍
​
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。

TensorFlow2 Python深度学习 - 卷积神经网络示例-使用MNIST识别数字示例

MNIST数据集介绍

MNIST（Modified National Institute of Standards and Technology）数据集是一个常用于机器学习和深度学习领域的经典数据集，特别是在图像识别任务中。它由美国国家标准与技术研究院（NIST）提供，广泛用于手写数字识别的研究和算法测试。

主要特点：

1. 数据内容：

   • MNIST数据集包含了28x28像素的灰度图像，表示从0到9的手写数字。每个图像展示了一个单一的手写数字（0到9之一）。

   • 数据集分为两个部分：

     • 训练集：包含60,000个样本，用于训练模型。

     • 测试集：包含10,000个样本，用于测试和评估模型的性能。

2. 标签信息：

   • 每个图像都有一个对应的标签，表示图像中手写数字的真实值（即0到9之间的某个数字）。

3. 数据预处理：

   • 图像的大小是28x28像素，灰度级别为0到255，其中0表示白色，255表示黑色。图像通常在输入神经网络之前会被标准化或者归一化。

4. 应用领域：

   • 手写数字识别：这是MINIST数据集的经典应用，用于测试各种机器学习算法的性能。

   • 分类问题：可以用于对比不同模型（如支持向量机、神经网络、决策树等）的分类准确性。

卷积神经网络示例-使用MNIST识别数字示例

import tensorflow as tf
from keras import Input, layers
from matplotlib import pyplot as plt
​
# 1,加载MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
print(x_train.shape, y_train.shape)
print(x_test.shape, y_test.shape)
print(x_train[0], x_train[0].shape)
print(y_train, y_train.shape)
​
# 2,数据预处理
x_train = x_train / 255.0  # 归一化
x_test = x_test / 255.0  # 归一化
print(x_train[0], x_train[0].shape)
# 将数据重塑为 (样本数, 高, 宽, 通道数) 的形状
print(x_train, x_train.shape)
x_train = x_train.reshape(x_train.shape[0], 28, 28, 1)
x_test = x_test.reshape(x_test.shape[0], 28, 28, 1)
print(x_train, x_train.shape)
​
# 3,构建CNN模型
model = tf.keras.models.Sequential([
    Input(shape=(28, 28, 1)),
    layers.Conv2D(32, (3, 3), activation='relu'),  # 第一卷积层，卷积核大小3x3，滤波器数为32，ReLU激活函数
    layers.MaxPooling2D((2, 2)),  # 第一池化层，2x2最大池化
    layers.Conv2D(64, (3, 3), activation='relu'),  # 第二卷积层，卷积核大小3x3，滤波器数为64，ReLU激活函数
    layers.MaxPooling2D((2, 2)),  # 第二池化层，2x2最大池化
    layers.Flatten(),  # 展平层 将二维特征图展平为一维
    layers.Dense(64, activation='relu'),  # 全连接层，64个神经元，ReLU激活函数
    layers.Dense(10, activation='softmax')  # 输出层，10个神经元（对应数字0-9），softmax激活函数
])
​
# 4,模型编译
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy']
              )
​
# 5,模型训练
history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test), verbose=1)
​
# 6,模型评估
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"Test accuracy: {test_acc}")

运行结果：

可视化训练过程：

# 设置matplotlib使用黑体显示中文
plt.rcParams['font.family'] = 'Microsoft YaHei'
​
plt.plot(history.history['accuracy'], label='训练准确率')
plt.plot(history.history['val_accuracy'], label='验证准确率')
plt.xlabel('轮次')
plt.ylabel('准确率')
plt.legend()
plt.show()

预测结果：

# 预测测试集中的一张图片
predictions = model.predict(x_test)
​
# 显示第一个预测结果
print(f"Predicted label: {predictions[0].argmax()}")
print(f"True label: {y_test[0]}")
​
# 显示第一张图片
plt.imshow(x_test[0].reshape(28, 28), cmap='gray')
plt.show()