Tensorflow基于卷积神经网络(CNN)的手写数字识别

一、简介

本项目在Tensorflow平台下利用卷积神经网络(CNN)实现了对mnist数据集(28*28)的手写数字图片的识别，通过5000*50个样本训练后，对500个样本进行测试，准确率可以达到95%左右。本文完整代码：https://github.com/iapcoder/cnnMnistRecognition。

二、mnist数据集简介

MNIST(Mixed National Institute of Standards and Technology database)是一个计算机视觉数据集，该数据集被分为两部分：60000行训练数据集和10000行测试数据集，其中训练集拆分为55000行训练集和5000行验证集。该数据集共70000张手写数字灰度图片，其中每一张图片为28*28个像素点，其中数字的范围为0-9，每张图片都有一个对应图片上数字的标签 。

60000行数据的训练集是一个形状为[60000, 784]的张量。在张量里的每一个元素都表示某张图片某个像素点的强度值，其值为0-1之间。

60000行训练集的标签采用One-hot编码表示，比如数字2表示只在第2维度(从0开始)为1其他维度为0 的10维向量([0 0 1 0 0 0 0 0 0 0])，因此标签是一个[60000, 10]的矩阵。

三、卷积神经网络结构介绍

神经网络(neural networks)的基本组成包括输入层、隐藏层、全连接层和输出层。而卷积神经网络的特点在于隐藏层分为卷积层、激励层和池化层。通过卷积神经网络的隐藏层可以减少输入的特征，其过程可以形象地描述为：

各层的作用 

• 输入层：用于将数据