CNN入门mnist数据集运行环境搭建（安装Python，Pycharm,Anaconda,Tensorflow,CNN代码）

最新推荐文章于 2025-06-02 19:36:18 发布

德令哈的小鸟

最新推荐文章于 2025-06-02 19:36:18 发布

阅读量2.8k

点赞数 2

CC 4.0 BY-SA版权

文章标签：机器学习神经网络 tensorflow python

本文链接：https://blog.csdn.net/m0_55624182/article/details/119323518

本文介绍了如何搭建用于运行CNN的环境，包括Python 3.8的安装、PyCharm编辑器的下载与安装、环境变量配置、Anaconda的安装以及Tensorflow的安装。通过详细教程链接，读者可以一步步跟随操作，最后尝试运行CNN模型在MNIST数据集上的训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

安装环境运行大致步骤：

Python安装：选择3.8，安装教程具体可查看：https://blog.csdn.net/liming89/article/details/109632064?ops_request_misc=&request_id=&biz_id=102&utm_term=pycharm%E5%AE%89%E8%A3%85%E6%95%99%E7%A8%8B&utm_medium=distribute.pc_search_result.none-task-blog-2_allsobaiduweb~default-7-.pc_search_result_before_js&spm=1018.2226.3001.4187
下载官网：https://www.python.org/downloads/

在这里插入图片描述

Pycharm 编辑器下载安装：下载官网：
https://www.jetbrains.com/pycharm/download/#section=windows
安装教程与Python安装教程在一起
环境变量配置：配置教程：
https://www.cnblogs.com/huangbiquan/p/7784533.html
安装Anaconda：选择Anaconda3,安装教程具体可查看:
https://blog.csdn.net/u010210864/article/details/94580873
下载官网：https://www.anaconda.com/products/individual
按步骤4教程安装Tensorflow:
试运行CNN训练mnist数据集的代码：

# -*- coding: utf-8 -*-
# 使用卷积神经网络训练mnist数据集
import gzip

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Conv2D, MaxPooling2D, Flatten, Reshape
import numpy as np
from sklearn.metrics import classification_report
import datetime

'''
# 装载数据集（从网上下载）
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
'''


# 装载数据集（本地导入）
def load_data():
    path = r"E:\PythonProject\CNN\MNIST_data\mnist.npz"
    f = np.load(path)
    train_images, train_labels = f['x_train'], f['y_train']
    test_images, test_labels = f['x_test'], f['y_test']
    f.close()
    return (train_images, train_labels