深度学习入门实战：从基础概念到手写数字识别

2. 数据可视化

观察部分训练样本，确认数据分布。

plt.figure(figsize=(10, 4))
for i in range(10):
    plt.subplot(2, 5, i+1)
    plt.imshow(train_images[i], cmap='gray')
    plt.title(f"Label: {train_labels[i]}")
    plt.axis('off')
plt.show()

3. 归一化与重塑

将像素值缩放到 [0, 1] 区间，并增加通道维度以适应 CNN 输入要求。

# 归一化
train_images = train_images.astype('float32') / 255.0
test_images = test_images.astype('float32') / 255.0

# 重塑形状 (Batch_Size, Height, Width, Channels)
train_images = train_images.reshape(-1, 28, 28, 1)
test_images = test_images.reshape(-1, 28, 28, 1)

2.4 构建神经网络模型

采用简单的 CNN 结构：卷积层 -> 池化层 -> 展平层 -> 全连接层 -> 输出层。

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.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.5),  # 防止过拟合
    layers.Dense(10, activation='softmax')
])

model.summary()

2.5 编译与训练

设置优化器、损失函数和评估指标。

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

# 训练模型
history = model.fit(train_images, train_labels,
                    epochs=5,
                    batch_size=64,
                    validation_split=0.1,
                    verbose=1)

2.6 模型评估与可视化

分析训练过程中的损失和准确率变化，判断是否存在过拟合。

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs_range = range(len(acc))

plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(epochs_range, acc, label='Training Accuracy')
plt.plot(epochs_range, val_acc, label='Validation Accuracy')
plt.legend(loc='lower right')
plt.title('Accuracy')

plt.subplot(1, 2, 2)
plt.plot(epochs_range, loss, label='Training Loss')
plt.plot(epochs_range, val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Loss')
plt.show()

2.7 模型保存与预测

训练完成后，保存模型以便后续部署，并进行实际预测。

# 保存模型
model.save('mnist_cnn_model.h5')

# 加载模型
loaded_model = models.load_model('mnist_cnn_model.h5')

# 预测示例
predictions = loaded_model.predict(test_images)
predicted_label = predictions[0].argmax()
print(f"预测结果：{predicted_label}, 真实标签：{test_labels[0]}")

三、常见问题与优化策略

3.1 过拟合（Overfitting）

当模型在训练集表现好但在测试集表现差时，称为过拟合。解决方法包括：

• 增加 Dropout 层。
• 使用数据增强（Data Augmentation）。
• 减少模型复杂度。
• 早停法（Early Stopping）。

3.2 欠拟合（Underfitting）

当模型在训练集和测试集表现都差时，称为欠拟合。解决方法包括：

• 增加网络层数或神经元数量。
• 延长训练轮数（Epochs）。
• 更换更优的优化器。

四、总结

本文系统介绍了深度学习的核心概念与主流框架，并通过 TensorFlow 实战案例，详细展示了从数据预处理、模型构建、训练调优到保存部署的全流程。掌握这一流程是进入人工智能领域的重要一步。后续可进一步探索 Transformer、大模型微调等进阶主题。