data = np.load('mnist_test_seq.npy') data = data / 255 draw_sequence(data[:, 0, :, :]) np.max(data[0, 0, :, :])

可以优化代码如下： ``` from sklearn.decomposition import PCA from sklearn.cluster import KMeans from sklearn.metrics import accuracy_score import numpy as np import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data import datetime # 导入数据集 start = datetime.datetime.now() #计算程序运行时间 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) X_train = mnist.train.images y_train = mnist.train.labels X_test = mnist.test.images y_test = mnist.test.labels # PCA降维 pca = PCA(n_components=10) X_train_pca = pca.fit_transform(X_train) X_test_pca = pca.transform(X_test) # 输出因子负荷量 print("PCA降维后的因子负荷量为：") print(pca.components_) # 可视化 plt.scatter(X_train_pca[:, 0], X_train_pca[:, 1], c=np.argmax(y_train, axis=1)) plt.show() # K-means聚类 kmeans_centers = [] # 用于存储初始类中心 for i in range(10): idx = np.where(np.argmax(y_train, axis=1) == i)[0] # 获取第i类数字的索引列表 sample_idx = np.random.choice(idx) # 随机指定一个样本作为初始类中心 kmeans_centers.append(X_train_pca[sample_idx]) # 将初始类中心添加到列表中 kmeans = KMeans(n_clusters=10,init=kmeans_centers,n_init=1) kmeans.fit(X_train_pca) # 计算分类错误率 y_pred = kmeans.predict(X_test_pca) acc = accuracy_score(np.argmax(y_test, axis=1), y_pred) print("分类错误率：{:.2%}".format(1-acc)) # 计算程序运行时间 end = datetime.datetime.now() print("程序运行时间为:"+str((end-start).seconds)+"秒") ``` 输出结果中包含了PCA降维后的因子负荷量，即`pca.components_`。

好的，以下是使用 TensorFlow 构建深度神经网络处理 MNIST 数据集的代码： ```python import tensorflow as tf from tensorflow.keras.layers import Conv2D, Flatten, Dense, MaxPooling2D, Dropout # 加载数据集 train_data = pd.read_csv('mnist_dataset/mnist_train.csv') test_data = pd.read_csv('mnist_dataset/mnist_test.csv') train_features, train_labels = train_data.iloc[:, 1:], train_data.iloc[:, 0] test_features, test_labels = test_data.iloc[:, 1:], test_data.iloc[:, 0] # 对标签进行二进制编码 lb = LabelBinarizer() train_labels = lb.fit_transform(train_labels) test_labels = lb.fit_transform(test_labels) # 将特征值缩放到0-1之间并且reshape为(28,28,1) train_features = train_features.values.reshape(-1, 28, 28, 1) / 255. test_features = test_features.values.reshape(-1, 28, 28, 1) / 255. # 构建模型 model = tf.keras.Sequential([ Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)), MaxPooling2D((2, 2)), Conv2D(64, (3, 3), activation='relu'), MaxPooling2D((2, 2)), Flatten(), Dense(128, activation='relu'), Dropout(0.5), Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(train_features, train_labels, epochs=10, batch_size=32, validation_data=(test_features, test_labels)) ``` 这里使用了 `Sequential()` 方法来构建模型，该方法会按照添加的顺序自动构建网络层。模型中包含两个卷积层、两个池化层、一个全连接层和一个输出层。其中使用了 `Dropout()` 方法来防止过拟合。 在编译模型时，使用了 `categorical_crossentropy` 作为损失函数，使用了 `adam` 优化器。在训练模型时，使用了 `fit()` 方法进行训练，其中的参数分别是：训练数据集、训练标签、迭代次数、批次大小以及测试数据集和测试标签用于验证模型的效果。