三、構建神經網絡模型安裝依賴的命令：
pip install tensorflow matplotlib numpy pandasMNIST數據集包含60,000張訓練圖像和10,000張測試圖像，每張為28×28像素的手寫數字灰度圖。加載數據后，建議先了解數據分布：
# 加載數據集
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# 輸出基本信息
print(f"訓練集維度: {train_images.shape}") # (60000, 28, 28)
print(f"標簽類別數: {len(np.unique(train_labels))}") # 10（0-9）原始像素值范圍為0-255，直接輸入模型會導致數值不穩定，歸一化（Normalization）是關鍵步驟：
# 將像素值縮放到0-1之間
train_images = train_images.astype("float32") / 255
test_images = test_images.astype("float32") / 255
# 添加通道維度（CNN要求輸入形狀為[高度, 寬度, 通道數]）
train_images = np.expand_dims(train_images, -1) # 形狀變為(60000, 28, 28, 1)
test_images = np.expand_dims(test_images, -1)
# 標簽轉換為One-Hot編碼
num_classes = 10
train_labels = keras.utils.to_categorical(train_labels, num_classes)
test_labels = keras.utils.to_categorical(test_labels, num_classes)通過可視化樣本，檢查數據質量并直觀理解模型的學習目標：
plt.figure(figsize=(10,5))
for i in range(15):
plt.subplot(3,5,i+1)
plt.imshow(train_images[i].squeeze(), cmap='gray') # 移除通道維度顯示圖像
plt.title(f"Label: {np.argmax(train_labels[i])}")
plt.axis('off')
plt.tight_layout()
plt.show()CNN通過局部感知和權值共享高效處理圖像數據，核心組件包括：
model = keras.Sequential(
[
layers.Input(shape=(28, 28, 1)),
# 第一卷積塊：32個3x3卷積核，ReLU激活
layers.Conv2D(32, kernel_size=(3, 3), activation="relu"),
layers.MaxPooling2D(pool_size=(2, 2)), # 輸出形狀變為(13, 13, 32)
# 第二卷積塊：64個3x3卷積核
layers.Conv2D(64, kernel_size=(3, 3), activation="relu"),
layers.MaxPooling2D(pool_size=(2, 2)), # 輸出形狀(5, 5, 64)
# 全連接層
layers.Flatten(), # 將3D特征展平為1D向量（5*5*64=1600）
layers.Dropout(0.5), # 隨機丟棄50%神經元，防止過擬合
layers.Dense(num_classes, activation="softmax") # 輸出10個類別的概率
]
)
model.summary() # 打印模型結構模型結構輸出示例：
Total params: 34,826
Trainable params: 34,826
Non-trainable params: 0model.compile(
loss="categorical_crossentropy", # 多分類交叉熵損失函數
optimizer="adam", # 自適應學習率優化器
metrics=["accuracy"] # 監控準確率
)batch_size = 128 # 每次迭代使用的樣本數
epochs = 15 # 遍歷整個訓練集的次數
history = model.fit(
train_images,
train_labels,
batch_size=batch_size,
epochs=epochs,
validation_split=0.1 # 10%訓練數據作為驗證集
)# 繪制訓練曲線
plt.figure(figsize=(12, 5))
# 準確率曲線
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='Training Accuracy')
plt.plot(history.history['val_accuracy'], label='Validation Accuracy')
plt.title('Accuracy Evolution')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
# 損失曲線
plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.title('Loss Evolution')
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.legend()
plt.tight_layout()
plt.show()
4.3 模型評估與過擬合判斷score = model.evaluate(test_images, test_labels, verbose=0)
print("測試集損失:", score[0]) # 理想值應接近驗證損失
print("測試集準確率:", score[1]) # 高于98%表明模型表現優秀def predict_sample(model, image):
img = image.astype("float32") / 255
img = np.expand_dims(img, axis=0) # 添加批次維度
img = np.expand_dims(img, axis=-1) # 添加通道維度
prediction = model.predict(img)
return np.argmax(prediction)
# 隨機測試樣本預測
sample_index = np.random.randint(0, len(test_images))
plt.imshow(test_images[sample_index].squeeze(), cmap='gray')
plt.title(f"預測: {predict_sample(model, test_images[sample_index])}\n真實: {np.argmax(test_labels[sample_index])}")
plt.axis('off')
plt.show()# 保存完整模型（包括結構和權重）
model.save("mnist_cnn.h5")
# 加載模型進行推理
loaded_model = keras.models.load_model("mnist_cnn.h5")from flask import Flask, request, jsonify
import numpy as np
from PIL import Image
import io
app = Flask(__name__)
model = keras.models.load_model("mnist_cnn.h5")
@app.route('/predict', methods=['POST'])
def predict():
# 接收上傳的圖像文件
file = request.files['image']
img = Image.open(io.BytesIO(file.read())).convert('L') # 轉為灰度圖
img = img.resize((28, 28)) # 調整尺寸
# 預處理
img_array = np.array(img) / 255.0
img_array = np.expand_dims(img_array, axis=(0, -1)) # 添加批次和通道維度
# 預測并返回結果
prediction = model.predict(img_array)
return jsonify({'prediction': int(np.argmax(prediction))})
if __name__ == '__main__':
app.run(host='0.0.0.0', port=5000)測試API：
curl -X POST -F "image=@test_image.png" http://localhost:5000/predict
# 預期返回：{"prediction": 7}from keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(rotation_range=10, zoom_range=0.1)
model.fit(datagen.flow(train_images, train_labels, batch_size=32))learning_rate。通過本教程，你已掌握了使用Python和Keras開發AI模型的完整流程。從數據預處理到模型部署，每個環節都至關重要。建議在實際項目中嘗試調整模型結構（如增加LSTM處理時序數據），或探索更復雜的應用場景（如目標檢測）。記住，持續實踐和參與開源社區是提升技能的最佳途徑。