tensorflow实现卷积神经网络训练mnist手写数据集

使用tensorflow实现使用卷积神经网络训练mnist手写数据集并符合以下要求：1.画出训练过程中训练集正确率表现图。2.画出训练过程中训练集损失函数表现图。3.训练正确率要求高于80%

你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7416182
这篇博客也不错, 你可以看下基于TensorFlow卷积神经网络与MNIST数据集设计手写数字识别算法
您还可以看一下陆永剑老师的TensorFlow入门学习教程课程中的 Mnist数据集介绍与获取小节, 巩固相关知识点

以下回答由chatgpt基于相关博客总结生成:

以下是具体的解决方案：

导入MNIST数据集

import tensorflow as tf
mnist = tf.keras.datasets.mnist
(train_x, train_y), (test_x, test_y) = mnist.load_data()

数据预处理

train_x = train_x.reshape(-1, 28, 28, 1)/255.0
test_x = test_x.reshape(-1, 28, 28, 1)/255.0
train_y = tf.keras.utils.to_categorical(train_y, 10)
test_y = tf.keras.utils.to_categorical(test_y, 10)

定义模型

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

编译模型并训练

model.compile(optimizer=tf.optimizers.Adam(),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_x, train_y, epochs=20, batch_size=32, validation_data=(test_x, test_y))

绘制训练过程中训练集正确率和损失函数的表现图

import matplotlib.pyplot as plt

# 准确率的变化
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

# 损失函数的变化
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

完整的代码如下：

import tensorflow as tf

# 导入MNIST数据集
mnist = tf.keras.datasets.mnist
(train_x, train_y), (test_x, test_y) = mnist.load_data()

# 数据预处理
train_x = train_x.reshape(-1, 28, 28, 1)/255.0
test_x = test_x.reshape(-1, 28, 28, 1)/255.0
train_y = tf.keras.utils.to_categorical(train_y, 10)
test_y = tf.keras.utils.to_categorical(test_y, 10)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    tf.keras.layers.MaxPooling2D(),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型并训练
model.compile(optimizer=tf.optimizers.Adam(),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

history = model.fit(train_x, train_y, epochs=20, batch_size=32, validation_data=(test_x, test_y))

# 绘制训练过程中训练集正确率和损失函数的表现图
import matplotlib.pyplot as plt

# 准确率的变化
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.title('Model Accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

# 损失函数的变化
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('Model Loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()