准备工作

MNIST 数据集介绍

MNIST（“Modified National Institute of Standards and Technology”）是一个广泛使用的计算机视觉基准数据集。自1999年发布以来，这个经典的手写数字数据集一直是分类算法研究的基础。MNIST 数据集由数千张手写数字图像组成，这些图像的尺寸均为28x28像素，涵盖了从0到9的所有数字。

数据文件 train.csv 和 test.csv 包含了这些手写数字的灰度图像。每张图像由784个像素值组成，每个像素值代表图像中该位置的亮度，范围在0到255之间。

数据集文件结构

训练数据集 (train.csv) 有785列，第一列表示图像对应的数字标签，其余784列分别对应每个像素的亮度值。测试数据集 (test.csv) 结构与训练集相同，但没有标签列。

提交文件格式

提交文件应包含两列：ImageId 和 Label，分别表示测试集中的图像编号和预测的数字。例如，如果你预测第一张图像是3，第二张图像是7，第三张图像是8，那么提交文件将如下所示：

ImageId,Label 1,3 2,7 3,8 ...

评估指标

本次比赛的评估指标是分类准确率，即测试图像被正确分类的比例。例如，0.97的分类准确率表示除3%的图像外，其余图像均被正确分类。

导入库

python import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.layers import Conv2D, MaxPooling2D, BatchNormalization, Flatten, Dense from tensorflow.keras.models import Sequential

数据加载

python train = pd.read_csv('../input/digit-recognizer/train.csv') test = pd.read_csv('../input/digit-recognizer/test.csv')

数据预览

python print(train.head()) print(train.info()) print(train.isnull().sum().sum())

数据处理

```python ytrain = train['label'] Xtrain = train.drop('label', axis=1)

对像素值进行归一化处理

Xtrain = Xtrain.values / 255.0 X_test = test.values / 255.0

将数据重塑为适合卷积神经网络的形状

Xtrain = Xtrain.reshape(-1, 28, 28, 1) Xtest = Xtest.reshape(-1, 28, 28, 1)

将标签转换为独热编码

ytrain = pd.getdummies(y_train).values ```

构建卷积神经网络模型

```python model = Sequential()

添加卷积层

model.add(Conv2D(filters=256, kernelsize=(5,5), activation='relu', inputshape=(28, 28, 1))) model.add(MaxPooling2D(pool_size=(3,3), strides=3)) model.add(BatchNormalization())

添加第二个卷积层

model.add(Conv2D(filters=128, kernelsize=(4,4), activation='relu')) model.add(MaxPooling2D(poolsize=(2,2), strides=2))

展平层

model.add(Flatten())

全连接层

model.add(Dense(units=256, activation='relu'))

输出层

model.add(Dense(units=10, activation='softmax'))

编译模型

model.compile(optimizer='adam', loss='categorical_crossentropy') ```

训练模型

python model.fit(X_train, y_train, batch_size=32, epochs=50)

预测测试集

python predictions = model.predict(X_test) predicted_labels = np.argmax(predictions, axis=1)

生成提交文件

```python submission = pd.DataFrame({ 'ImageId': range(1, len(predictedlabels) + 1), 'Label': predictedlabels })

submission.to_csv('submission.csv', index=False) ```

模型性能

此模型的最终准确率为0.98857。该模型在MNIST数据集上的表现非常出色，可以准确地识别大部分手写数字。