使用Python和TensorFlow/Keras构建一个简单的CNN模型来识别手写数字

一个简单的图像识别项目代码示例，使用Python和TensorFlow/Keras库来训练一个基本的CNN模型，用于识别MNIST手写数字数据集，并将测试结果输出到HTML。

代码运行效果截图：

具体操作步骤：

1. 安装所需的库

首先，确保你已经安装了所需的Python库：

pip install tensorflow numpy matplotlib pandas jinja2

• TensorFlow：用于构建和训练深度学习模型。

• NumPy：用于处理数值数据。

• Matplotlib：用于可视化图像和训练结果。

• Pandas：用于整理测试结果。

• Jinja2：用于生成HTML模板。

2. 导入库

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt

3. 加载和预处理数据

我们将使用MNIST数据集，这是一个包含28x28像素手写数字图像的数据集。

# 加载MNIST数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 归一化像素值到0-1之间
x_train, x_test = x_train / 255.0, x_test / 255.0

# 将图像数据从28x28调整为28x28x1，以适应CNN输入
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

4. 构建CNN模型

model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),