如何构建自己的第一个神经网络

构建你的第一个神经网络：手写数字识别实战指南

*环境准备*

安装Python（推荐3.8+版本）

安装必要库（命令行执行）：

bash

pip install tensorflow numpy matplotlib

*代码实现（6步完成）*

**1. 导入核心库**

import tensorflow as tf

from tensorflow.keras import layers

import matplotlib.pyplot as plt

**2. 加载数据集（内置MNIST）**

(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

**3. 数据预处理**

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

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

**4. 构建神经网络模型**

model = tf.keras.Sequential([

    layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),

    layers.MaxPooling2D((2,2)),

    layers.Flatten(),

    layers.Dense(128, activation='relu'),

    layers.Dense(10, activation='softmax')

])

**5. 编译与训练**

model.compile(optimizer='adam',

              loss='sparse_categorical_crossentropy',

              metrics=['accuracy'])

history = model.fit(train_images, train_labels, 

                    epochs=5, 

                    batch_size=64,

                    validation_split=0.2)

**6. 评估模型**

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

print(f'
测试准确率: {test_acc:.4f}')

*关键组件解析*

卷积层：提取图像特征（如边缘、纹理）

池化层：压缩特征图尺寸，增强位置不变性

全连接层：整合特征进行最终分类

Softmax激活：将输出转换为概率分布

*可视化训练过程*

**绘制准确率变化曲线**

plt.plot(history.history['accuracy'], label='训练集')

plt.plot(history.history['val_accuracy'], label='验证集')

plt.title('模型训练准确率变化')

plt.ylabel('准确率')

plt.xlabel('训练轮次')

plt.legend()

plt.show()

*新数据预测示例*

**选取测试集第0张图片**

sample = test_images[0].reshape(1,28,28,1)

prediction = model.predict(sample)

print(f'模型预测: {tf.argmax(prediction[0]).numpy()}')

print(f'实际标签: {test_labels[0]}')

**显示图片**

plt.imshow(test_images[0].reshape(28,28), cmap='gray')

plt.show()

*常见问题处理*

过拟合：添加Dropout层（如layers.Dropout(0.2)）

训练缓慢：减少网络深度或增加batch_size

准确率低：尝试增加卷积层数量或训练轮次

进阶提示：

1. 尝试调整卷积核数量（32→64）

2. 添加第二个卷积层提升特征提取能力

3. 使用数据增强（旋转/平移图片）提升泛化性

恭喜！你已实现能识别手写数字的卷积神经网络。通过修改网络结构和参数，可进一步应用于图像分类、物体检测等场景。