手書き数字認識は、機械学習の分野でよく知られています。ここでは、Pythonを使用して手書き数字認識モデルを構築する方法を紹介します。

必要なライブラリのインストール

手書き数字認識モデルを構築するためには、以下のライブラリをインストールする必要があります。

  • TensorFlow
  • Keras
  • NumPy
  • Matplotlib

これらのライブラリは、pipを使用してインストールできます。

データの準備

手書き数字認識モデルを構築するためには、MNISTと呼ばれる手書き数字のデータセットが必要です。MNISTは、以下のコマンドを使用してダウンロードできます。

from tensorflow.keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

モデルの構築

手書き数字認識モデルを構築するためには、以下のコードを使用します。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten, Conv2D, MaxPooling2D

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Flatten())
model.add(Dense(10, activation='softmax'))

このコードでは、2次元の畳み込みレイヤーとプーリングレイヤーを追加し、Flattenレイヤーで1次元に変換し、Denseレイヤーで出力を生成します。

モデルのコンパイルとトレーニング

モデルをコンパイルするためには、以下のコードを使用します。

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

トレーニングを開始するためには、以下のコードを使用します。

model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

モデルの評価

トレーニングが完了したら、モデルを評価することができます。以下のコードを使用して、テストデータに対するモデルの精度を計算します。

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2)
print('\nTest accuracy:', test_acc)

以上で、Pythonを使用して手書き数字認識モデルを構築する方法を紹介しました。