使用tensorflow2.0.0 定义神经元模型用mnist数据集实现手写数字识别代码解耦成：训练+测试，方便用训练后的模型调试可自定义训练次数和每轮数量

该文介绍了一个基于Tensorflow的手写数字识别项目，通过MNIST数据集训练了一个简单的模型，然后在测试集上进行评估。由于训练样本数量有限（20000个）和训练轮次较少（50轮），存在部分预测错误，特别是数字7和9。提高样本数量和训练轮次可以改善模型性能。

首先介绍一下我的项目目录：

1.创建train.py，编写训练程序

import tensorflow as tf
import random
import matplotlib.pyplot as plt


def modelTrain():
    # 导入数据集
    mnist = tf.keras.datasets.mnist
    (x_train_all, y_train_all), (x_test, y_test) = mnist.load_data()

    # 数据预处理：将像素值缩放到 0 到 1 之间
    x_train_all, x_test = x_train_all / 255.0, x_test / 255.0

    # 随机选择20000张图片进行训练
    train_indices = random.sample(range(0, len(x_train_all)), 20000)
    x_train, y_train = x_train_all[train_indices], y_train_all[train_indices]

    # 定义模型
    model = tf.keras.models.Sequential([
        tf.keras.layers.Flatten(input_shape=(28, 28)),
        tf.keras.layers.Dense(10, activation='softmax')
    ])

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

    # 训练模型
    history = model.fit(x_train, y_train, epochs=50,
                        validation_data=(x_test, y_test))

    # 评估模型
    test_loss, test_acc = model.evaluate(x_test, y_test)
    print('Test accuracy:', test_acc)

    # 绘制训练和验证时的准确率和损失
    train_loss = history.history['loss']
    val_loss = history.history['val_loss']
    train_acc = history.history['accuracy']
    val_acc = history.history['val_accuracy']

    # 绘制损失曲线
    plt.subplot(2, 1, 1)  # 设置子图，参数分别表示行数、列数、子图编号
    plt.plot(train_loss, label='Training Loss')
    plt.plot(val_loss, label='Validation Loss')
    plt.title('Training and Validation Loss')
    plt.xlabel('Epochs')
    plt.ylabel('Loss')
    plt.legend()

    # 绘制准确率曲线
    plt.subplot(2, 1, 2)  # 设置子图，参数分别表示行数、列数、子图编号
    plt.plot(train_acc, label='Training Accuracy')
    plt.plot(val_acc, label='Validation Accuracy')
    plt.title('Training and Validation Accuracy')
    plt.xlabel('Epochs')
    plt.ylabel('Accuracy')
    plt.legend()

    plt.show()
    model.save('my_model.h5')

2.创建test.py，编写测试程序，传参为模型路径+测试图片路径，返回值为预测结果

import tensorflow as tf
import numpy as np
from PIL import Image
from matplotlib import pyplot as plt


def predict_custom_images(model_path, image_path):
    # 加载模型
    model = tf.keras.models.load_model(model_path)

    # 打开图像并调整大小
    img = Image.open(image_path)
    img_resized = img.resize((28, 28))

    # 将图像转换为灰度图像（如果不是的话）
    if img_resized.mode != 'L':
        img_resized = img_resized.convert('L')

    # 输出灰度图像（调试语句）
    plt.imshow(img_resized, cmap='gray')
    plt.show()

    # 转换为 numpy 数组
    img_array = np.array(img_resized)

    # 缩放像素值到 0-1 范围
    img_array = img_array / 255.0

    # 调整形状以适应模型
    img_array = np.reshape(img_array, (1, 28, 28))

    # 进行预测
    pred = model.predict(img_array)
    pred_label = np.argmax(pred)

    return pred_label

3.编写主函数main.py，执行程序

from train import *
from test import predict_custom_images

# 训练模型并保存模型
modelTrain()
# 测试自定义手写数字图片
model_path = 'my_model.h5'
for i in range(10):
    img_path = 'img{}.png'.format(i)
    pred_label = predict_custom_images(model_path, img_path)
    print('{} 的预测结果是：{}'.format(img_path, pred_label))

运行结果：

1.训练中：