提示：建议先看day36-38的内容
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。
TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
1、安装库tensorflow
有些教程会推荐安装nightly，它适用于在一个全新的环境下进行TensorFlow的安装，默认会把需要依赖的库也一起装上。我使用的是anaconda，本文我们安装的是纯净版的tensorflow，非常简单，只需打开Prompt：
pip install tensorflow
安装成功
导入成功
#导入keras from tensorflow import keras #导入tensorflow import tensorflow as tf
注：有些教程中导入Keras用的是import tensorflow.keras as keras会提示No module named 'tensorflow.keras'
2、导入mnist数据
在上篇文章中我们已经提到过 MNIST 了，用有趣的方式解释梯度下降算法
它是一个收录了许多 28 x 28 像素手写数字图片（以灰度值矩阵存储）及其对应的数字的数据集,可以把它理解成下图这个样子：
由于众所周知的原因，Keras自带minist数据集下载会报错，无法下载。博客园崔小秋同学给出了很好的解决方法：
1、找到本地keras目录下的mnist.py文件，通常在这个目录下。
2、下载mnist.npz文件到本地，下载链接如下。
https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q
3、修改mnist.py文件为以下内容，并保存
from __future__ import absolute_import from __future__ import division from __future__ import print_function from ..utils.data_utils import get_file import numpy as np def load_data(path='mnist.npz'): """Loads the MNIST dataset. # Arguments path: path where to cache the dataset locally (relative to ~/.keras/datasets). # Returns Tuple of Numpy arrays: `(x_train, y_train), (x_test, y_test)`. """ path = 'E:/Data/Mnist/mnist.npz' #此处的path为你刚刚存放mnist.py的目录。注意斜杠 f = np.load(path) x_train, y_train = f['x_train'], f['y_train'] x_test, y_test = f['x_test'], f['y_test'] f.close() return (x_train, y_train), (x_test, y_test)
看一下数据
mnist = tf.keras.datasets.mnist (x_train, y_train),(x_test, y_test) = mnist.load_data() print(x_train[0].shape)
(28, 28)
import matplotlib.pyplot as plt plt.imshow(x_train[0],cmap=plt.cm.binary) plt.show()
print(y_train[0])
5对数据进行归一化处理
x_train = tf.keras.utils.normalize(x_train, axis=1) x_test = tf.keras.utils.normalize(x_test, axis=1)
再看一下，图像的像素值被限定在了 [0,1]
plt.imshow(x_train[0],cmap=plt.cm.binary) plt.show()
3 构建与训练模型我们使用 Keras 的 Sequential 模型（顺序模型），顺序模型是多个网络层的线性堆叠。本文旨在介绍TensorFlow 及Keras用法，不再展开，有兴趣的同学们学习其具体用法，可以参考Keras文档：
https://keras.io/zh/getting-started/sequential-model-guide/
model = tf.keras.models.Sequential() model.add(tf.keras.layers.Flatten(input_shape=(28,28))) model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax)) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, epochs=3)
我们构建出的模型大概是这个样子的，区别是我们的隐藏层有128个单元
在训练的过程中，我们会发现损失值（loss）在降低，而准确度（accuracy）在提高，最后达到了一个令人满意的程度。
Epoch 1/3
60000/60000 - 8s 127us/step - loss: 0.2677 - acc: 0.9211Epoch 2/3
60000/60000 - 8s 130us/step - loss: 0.1106 - acc: 0.9655Epoch 3/3
60000/60000 - 8s 136us/step - loss: 0.0751 - acc: 0.9764
4 测试模型
val_loss, val_acc = model.evaluate(x_test, y_test) print(val_loss) print(val_acc)
10000/10000 - 0s 45us/step0.0916121033909265
0.9713
损失和准确度看起来还凑合，尝试识别训练集
predictions = model.predict(x_test) print(predictions)
用 argmax 解析一下（就是找出最大数对应的索引，即为识别出的数字）
import numpy as np print(np.argmax(predictions[0])) 7 plt.imshow(x_test[0],cmap=plt.cm.binary) plt.show()
OK，模型可以识别数字了。5、保存模型
主要用于模型的存储和恢复。
model.save('epic_num_reader.model')
# 加载保存的模型 new_model = tf.keras.models.load_model('epic_num_reader.model') # 测试保存的模型 predictions = new_model.predict(x_test) print(np.argmax(predictions[0]))
