深度学习，教你使用Tensorflow2.0识别手写数字（上）

课前知识

新版的Tensorflow2.0与原版的Tensorflow有着较大的更新和变更，Tensorflow2.0将Keras做为默认高级API，并舍弃掉其它的API。此外，另外较大的变更的是将用于机器学习的实验和研究平台 Eager execution 设置为默认优先模式, 这样设置的好处是咱们不用再像之前同样预先定义静态图，任何的运算在调用以后均可以直接执行。与原版相比，Tensorflow2.0更方便，大幅下降了初学者学习的难度。

这里并不对Tensorflow2.0的其它特性作具体描述，总之咱们能够比较清楚的明白，Keras是咱们学习的首要基础，下文即是对Keras一些经常使用操做结合一些基本案例来进行描述。

Tensorflow2.0的安装 1.Tensorflow2.0的主要配置环境及使用仍是在Anaconda及Jupyter notebook里，对于Anaconda的安装这里不作过多描述，有不少博客有很仔细的教程，这里主要想讲的一点的关于Tensorflow2.0安装的点，由于如今用在Anaconda Prompt 直接 pip install 指令安装实在是太慢了，常常会中断，所以咱们能够用国内的一些镜像源进行安装，你们能够输入如下指令，中间多了一个网站，而后就会发现安装速度特别快了，其它库的安装也是同样的，把后面库的名字改掉便可。

pip install -i pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.0.0-alpha0

MNIST 数据集已是一个被”嚼烂”了的数据集, 不少教程都会对它”下手”, 几乎成为一个 “典范”. 不过有些人可能对它还不是很了解, 下面来介绍一下.

MNIST 数据集可在 yann.lecun.com/exdb/mnist/ 获取, 它包含了四个部分:​​​​​​​ Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本) Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签) Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本) Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签) MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不一样人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工做人员. 测试集(test set) 也是一样比例的手写数字数据.

利用TensorFlow代码下载MNIST

TensorFlow 提供了一个库，能够直接用来自动下载与安装MNIST, 见以下代码：​​​​​​​ from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data", one_hot=True) 其中"MNIST_data"为保存MNIST数据的文件夹名，其中还会遇到

ModuleNotFoundError: No module named 'tensorflow.examples.tutorials' 这个问题，则须要参考小编博客的处理文章：

blog.csdn.net/qq_43060552…

MNIST 数据集中的图片

MNIST 数据集中的图片是28X 28 Pixel, 因此，每一幅图就是1 行784 ( 28X28) 列

的数据， 括号中的每个值表明一个像素。

• 若是是黑白的图片，图片中黑色的地方数值为0 ; . 有图案的地方，数值为O r-,....; 255

之间的数字， 表明其颜色的深度。

• 若是是彩色的图片， 一个像素会由3 个值来表示RGB C 红、黄、蓝） 。

输出MNIST 里面的信息

代码：

-- coding: utf-8 --

""" Created on Thu Nov 21 16:38:15 2019 @author: Cable-Ching""" from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data", one_hot=True) print ( ' 输入数据：', mnist.train.images) print ( ' 输入数据打shape :', mnist.train.images.shape) import pylab im = mnist.train.images[1] im = im.reshape(-1 ,28) pylab.imshow(im) pylab.show() 结果​​​​​​​

Extracting MNIST_data\train-images-idx3-ubyte.gz Extracting MNIST_data\train-labels-idx1-ubyte.gz Extracting MNIST_data\t10k-images-idx3-ubyte.gz Extracting MNIST_data\t10k-labels-idx1-ubyte.gz 输入数据：[[0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] ... [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.] [0. 0. 0. ... 0. 0. 0.]]  输入数据打shape : (55000, 784)

——————想跟着博主学习python，tensorflow能够关注微信公众号 : 码奋