华为云耀云服务器L实例 python机器学习 2 手写数字识别

产品官网：云耀云服务器L实例 _【最新】_轻量云服务器_轻量服务器_轻量应用服务器-华为云

今天我们采用可靠更安全、智能不卡顿、价优随心用、上手更简单、管理特省心的华为云耀云服务器L实例为例，继续教程的介绍。

TensorFlow是一个开源的深度学习框架，用于构建和训练各种机器学习模型，包括神经网络。手写数字识别是一个经典的机器学习问题，TensorFlow提供了强大的工具来解决这类问题。

本篇中，我们将在华为云耀云服务器L实例上配置TensorFlow进行手写数字识别，作为使用云服务器进行深度学习环境配置的入门基础

在华为云耀云服务器L实例上配置使用TensorFlow进行手写数字识别的步骤可以分为以下几个主要步骤：

### 步骤 1: 安装系统依赖

确保系统已安装一些基本依赖，包括Python和pip。

```bash

sudo apt-get update

sudo apt-get install python3-dev python3-pip

```

### 步骤 2: 在虚拟环境中，安装 TensorFlow

使用pip安装TensorFlow。你可以根据你的需求选择安装CPU版本或GPU版本。

```bash

pip3 install tensorflow

```

### 步骤 3: 编写手写数字识别代码

创建一个Python脚本`digit_recognition.py`，并使用TensorFlow编写手写数字识别的代码。

首先，让我们在myenv环境下创建项目结构目录：

project_root/

│

├── src/

│   ├── digit_recognition/

│   │   ├── digit_recognition.py

│   │   └── 其他源代码文件（如果有）

│

├── 其他项目文件和目录

使用vim创建一个Python脚本`digit_recognition.py`，并使用TensorFlow编写手写数字识别的代码。

vim digit_recognition.py

```python

import tensorflow as tf

from tensorflow.keras import layers, models

from tensorflow.keras.datasets import mnist

from tensorflow.keras.utils import to_categorical

# 加载MNIST数据集

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

# 数据预处理

train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255

test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255

train_labels = to_categorical(train_labels)

test_labels = to_categorical(test_labels)

# 构建神经网络模型

model = models.Sequential()

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())

model.add(layers.Dense(64, activation='relu'))

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

# 编译模型

model.compile(optimizer='adam',

              loss='categorical_crossentropy',

              metrics=['accuracy'])

# 训练模型

model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels))

# 保存模型

model.save('digit_recognition_model.h5')

```

### 步骤 4: 运行代码

运行你的手写数字识别代码：

```bash

python3 digit_recognition.py

```