手把手教你搭建第一个深度学习模型（附源码）

选择框架与环境配置

推荐使用TensorFlow或PyTorch作为深度学习框架。安装Python 3.7+版本后，通过pip安装框架包：

pip install tensorflow  # 或 pip install torch torchvision

确保安装CUDA和cuDNN（若使用GPU加速），验证安装：

import tensorflow as tf
print(tf.__version__)  # 或 import torch; print(torch.__version__)

准备数据集

使用经典MNIST手写数字数据集作为入门示例。TensorFlow内置该数据集，可直接加载：

from tensorflow.keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

数据需归一化到[0,1]范围：

train_images = train_images.reshape((60000, 28*28)).astype('float32') / 255
test_images = test_images.reshape((10000, 28*28)).astype('float32') / 255

构建神经网络模型

创建一个简单的全连接网络：

from tensorflow.keras import models, layers
model = models.Sequential()
model.add(layers.Dense(512, activation='relu', input_shape=(28*28,)))
model.add(layers.Dense(10, activation='softmax'))

使用交叉熵损失和Adam优化器：

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

训练与评估

训练模型（batch_size根据需要调整）：

model.fit(train_images, train_labels, epochs=5, batch_size=128)

测试集评估性能：

test_loss, test_acc = model.evaluate(test_images, test_labels)
print(f'Test accuracy: {test_acc:.4f}')

预测与可视化

进行单样本预测：

import numpy as np
predictions = model.predict(test_images[:1])
print(np.argmax(predictions[0]))

可视化真实标签与预测对比：

import matplotlib.pyplot as plt
plt.imshow(test_images[0].reshape(28,28), cmap='gray')
plt.title(f'Label: {test_labels[0]}')
plt.show()

完整代码可保存为.py文件直接运行。建议逐步调整网络层数、激活函数等参数观察效果变化。