手写体识别-TensorFlow从安装到实践

一、安装TensorFlow并在Jupyter中配置

1.安装

1.在anacoda prompt中使用命令行进行安装

2.使用语句python查询python版本

3.创建一个虚拟环境

使用虚拟环境可以防止安装错误导致anaconda错误，如果安装错误，可以删除虚拟环境，不用重装Anaconda
4.激活虚拟环境

5.安装Tensorflow 1.8.0版本（由于版本问题，建议选用1.8.0版本)

其中mk1包有157Mb大，可能由于网速或者丢包等原因导致安装失败，此时重复输入命令行进行安装，多试几次。
6.将虚拟环境安装到jupyter notebook中
a.激活Tensorflow环境并安装ipykernel包

conda activate tensorflow
conda install -n tensorflow ipykernel

b.在base环境中安装nb_conda包

conda activate base
conda install nb_conda

c.结果

7.测试

3.报错解决

1.anaconda 不是内部或外部命令

解决方法:将…\Anaconda\Scripts 文件加入环境变量

2.指定Tensorflow 1.8.0版本安装

此处有一个包mk1比较大，如果出现安装失败可以多安装几次，它会继续安装，或者换源安装。
3.关于jupyter notebook使用虚拟环境中tensorflow，可以参考 链接
4.关于"import tensorflow.examples.tutorials.minst.input_data as input_data"时，出现错误：ModuleNotFoundError:No module named ‘tensorflow.examples.tutorials’
可能是版本问题，使用1.8.0版本没有问题.

二、Mnist手写数据集

1.下载源

Mnist手写体下载地址

2.数据结构

在这里贴出的是Mnist手写体数据集的训练集部分,Mnist数据集使用二进制进行存储,4个Bit存储一个数据，在图像集中，前16B存储描述数据集的信息，分别是幻数(标注数据格式),图片数量(60000张),图片矩阵行数(28),
图片矩阵列数(28)。在训练集中，前8Bit存储描述信息,分别是幻数个图片数量。测试集有10000张图像，相关数据格式与训练集相同。

3.导出图像数据

import numpy as np
import struct
import random
import tensorflow as tf
import matplotlib.pyplot as plt
class MnistData():
    def __init__(self,train_image_path,train_label_path,test_image_path,test_label_path):
        self.train_image_path = train_image_path
        self.train_label_path = train_label_path
        self.test_image_path = test_image_path
        self.test_label_path =test_label_path
        self.train_images,self.train_labels = self.get_data(0)
        self.test_images,self.test_labels = self.get_data(1)
        #定义两个辅助变量，用来判断一个回合的训练是否完成
        self.num_of_batch = 0
        self.got_batch = 0
        #get_data(0)提取训练集 get_data(1)提取测试集
    def get_data(self,data_type):
        if data_type == 0:
            image_path = self.train_image_path
            label_path = self.train_label_path
        else:
            image_path = self.test_image_path
            label_path = self.test_label_path
        with open(image_path,'rb') as file1:
            image_file = file1.read()
        with open(label_path,'rb') as file2:
            label_file = file2.read()
        label_index = 0
        image_index = 0
        labels = []
        images = []
        #读取训练集图像数据文件的文件信息
        magic,num_of_datasets,rows,colunmns = struct.unpack_from('>IIII',image_file,image_index)
        image_index += struct.calcsize('>IIII')
        for i in range(num_of_datasets):
            #读取784个unsigned byte ，即一副图像的所有像素值
            temp = struct.unpack_from('>784B',image_file,image_index)
            temp = np.reshape(temp,(28,28))
            #归一化处理
            temp = temp/255
            images.append(temp)
            image_index +=struct.calcsize('>784B')#每次增加784B
        #跳过描述信息
        label_index +=struct.calcsize(&