手写数字识别需注重数据预处理、模型结构、训练配置和评估调试四大细节：归一化至[0,1]并增加通道维；采用轻量cnn（两卷积块+flatten+dense）；用adam优化器、sparse_categorical_crossentropy损失、batch_size=32/64；测试准确率应达98.5%+，否则检查标签编码、预测方式及训练轮次。
手写数字识别是深度学习入门最经典的任务，用 Python 和 TensorFlow/Keras 实现起来不难，但训练效果好坏，关键在细节。
数据预处理：别跳过归一化和形状调整
原始 MNIST 图像是 28×28 的 uint8 灰度图（0–255），直接喂给模型容易梯度爆炸或收敛慢。必须做两件事：
- 把像素值除以 255.0，缩放到 [0, 1] 浮点范围；
- 为适配大多数网络输入，把 shape 从 (28, 28) 扩展成 (28, 28, 1)，即增加通道维（灰度图单通道）。
Keras 自带的 mnist.load_data() 返回的是整数数组，这两步通常写成：
x_train = x_train.astype('float32') / 255.0x_train = x_train.reshape(-1, 28, 28, 1)
模型结构：小而够用，别盲目堆层
对 MNIST 这类简单图像，一个轻量 CNN 就足够了。典型结构是：
立即学习“Python免费学习笔记（深入）”；
- 两个卷积块：每块含 Conv2D + ReLU + MaxPooling2D；
- 接一层 Flatten，再加 1–2 个全连接层（Dense），最后一层 10 个单元 + softmax；
- 避免使用过深网络或大 kernel（如 7×7），容易过拟合且无增益。
示例关键层（TensorFlow 2.x）：
model.add(MaxPooling2D((2,2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))
训练配置：优化器、损失与 batch_size 要匹配
初学者常忽略这些参数间的协同关系：
- 推荐用 Adam 优化器（默认 lr=0.001），收敛稳、调参少；
- 多分类必须用 sparse_categorical_crossentropy（标签是整数）或 categorical_crossentropy（标签需 one-hot 编码）；
- batch_size 设 32 或 64 较平衡；太小训练抖动，太大内存吃紧且泛化略差。
验证集建议留 10%（Keras fit 中用 validation_split=0.1），方便监控过拟合。
评估与调试：看准测试准确率，也看训练过程
最终在 test 数据上达到 98.5%+ 是正常水平。如果卡在 95% 以下，优先检查：
- 标签是否没做 one-hot 或没设 sparse 损失函数（会导致训练无效）；
- 是否忘了在预测前调用 model.predict() 并取 argmax，而不是直接输出概率；
- 训练 epoch 是否太少（一般 10–20 足够），或学习率太高导致震荡。
用 model.evaluate(x_test, y_test) 获取真实测试指标，别只信训练日志里的 acc。
基本上就这些。模型不复杂，但每个环节的细节都影响结果——归一化、维度、损失函数、验证方式，缺一不可。
