tensorflow2.0实现mnist手写数字识别代码

import warnings

warnings.filterwarnings（‘ignore‘）
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers datasets Sequential optimizers metrics

（x_train y_train） （x_test y_test） = tf.keras.datasets.mnist.load_data（）


# 数据预处理
def train_preprocess（x_train y_train）:
    x_train = tf.cast（x = x_train dtype = tf.float32） / 255.
    y_train = tf.cast（x = y_train dtype = tf.int32）
    y_train = tf.one_hot（indices = y_train depth = 10）

    return x_train y_train


def test_preprocess（x_test y_test）:
    x_test = tf.cast（x = x_test dtype = tf.float32） / 255.
    y_test = tf.cast（x = y_test dtype = tf.int32）

    return x_test y_test


train_db = tf.data.Dataset.from_tensor_slices（tensors=（x_train y_train））
train_db = train_db.map（map_func=train_preprocess）.shuffle（buffer_size=1000）.batch（batch_size=128）

test_db = tf.data.Dataset.from_tensor_slices（tensors=（x_test y_test））
test_db = test_db.map（map_func=test_preprocess）.batch（batch_size=128）

# 建立网络模型
model = tf.keras.Sequential（[
    tf.keras.layers.Dense（units=512 activation=tf.nn.relu）
    tf.keras.layers.Dense（units=256 activation=tf.nn.relu）
    tf.keras.layers.Dense（units=128 activation=tf.nn.relu）
    tf.keras.layers.Dense（units=32 activation=tf.nn.relu）
    tf.keras.layers.Dense（units=10）

]）
model.build（input_shape=[None 28 * 28]）
model.summary（）
optimizer = tf.keras.optimizers.Adam（learning_rate = 1e-4）


def main（）:
    for epoch in range（100）:
        for step （x_train y_train） in enumerate（train_db）:
            x_train = tf.reshape（tensor = x_train shape = [-1 28 * 28]）

            with tf.GradientTape（） as tape:
                logits = model（x_train）
                loss = tf.losses.categorical_crossentropy（y_true = y_train y_pr