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动，Tensorflow2.0将Keras作为默认高级API，并舍弃掉其它的API。此外，另外较大的变动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, 这样设置的好处是我们不用再像以前一样预先定义静态图，任何的运算在调用之后都可以直接执行。与原版相比，Tensorflow2.0更方便，大幅降低了初学者学习的难度。

   这里并不对Tensorflow2.0的其它特性做具体描述，总之我们可以比较清楚的明白，Keras是我们学习的首要基础，下文便是对Keras一些常用操作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还是在Anaconda及Jupyter notebook里，对于Anaconda的安装这里不做过多描述，有很多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，因为现在用在Anaconda Prompt 直接 pip install 指令安装实在是太慢了，经常会中断，因此我们可以用国内的一些镜像源进行安装，大家可以输入以下指令，中间多了一个网站，然后就会发现安装速度特别快了，其它库的安装也是一样的，把后面库的名字改掉即可。

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

MNIST 数据集已经是一个被”嚼烂”了的数据集, 很多教程都会对它”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 http://yann.lecun.com/exdb/mn... 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)

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 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同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，可以直接用来自动下载与安装MNIST, 见如下代码：​​​​​​​

from tensorflow.examples.tutorials.mnist import input_data

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，则需要参考小编博客的处理文章：

https://blog.csdn.net/qq_43060552/article/details/103189040

MNIST 数据集中的图片

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

的数据， 括号中的每一个值代表一个像素。

• 如果是黑白的图片，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， 代表其颜色的深度。

• 如果是彩色的图片， 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_datamnist = 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 pylabim = mnist.train.images[1]im = im.reshape(-1 ,28)pylab.imshow(im)`pylab.show()

结果​​​​​​​

Extracting MNIST_data\train-images-idx3-ubyte.gz

​

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

​