TensorFlow中文教程学习笔记（二）入门级计算机视觉机器学习

入门级计算机视觉机器学习

这篇内容进一步介绍如何教电脑学会识别小物件。例如：鞋子有几双？

载入数据

分析模型

当分析神经网络时最好就是分析输入与输出，第一层的输入为图像的像素2828，输出10为图像标签类别种数，神经网络则类似于输入2828，输出10的一个过滤器。128是什么意思呢？假设有128个函数，每个函数里都有参数，将其命名为f1~f127，我们要做的就是把像素输入进去，我们想要让计算机输出正确的结果（如鞋子的类别9），为了得到这一点，电脑就要弄清楚这些函数内的参数是如何得到这个结果的，并把这个逻辑延伸到数据集的其他数据中。

在上一篇内容中提到，神经网络中有一个优化函数与一个损失函数，神经网络初始时都是使用随机数值的，然后用损失函数测量结果的好坏，之后用优化函数（优化器）生成新的参数输入到这个函数里，看看能不能得到更好的结果，这些函数就叫做激励函数。
第一个激励函数，relu，也称线性整流函数，其功能是返回一个大于0的数，并过滤掉小于或等于0的结果；第二个激励函数，softmax，表示选出这个集合中最大的数，这个神经网络的输出层有10项，代表了这个物品属于这个分类的概率，在这个例子里，这个物品分类很大概率是第9项（短靴），softmax把这个最大项设为1，其他设为0，所以我们只需要找到1即可。

由此，训练就变得很容易，只需要把训练图像拟合成标签即可。设定5个时期，10000多张图片并未用于训练，之前模型并没有见过这些图片，所以可以用来测试训练的模型有多准确。将这些图片传入测试方法evaluate中，然后调用model.prodict来获取测试结果。

值得一提的是，这个过程中有些缺陷，比如 所有的图片都是28*28的灰度图片，并且图形位于图片的正中间，如果我们想识别普通的图像，而物件又是混杂在一起的，这种情况下识别特征的方法就会变得十分有用。
以上内容参考为观看TensorFlow的中文教程笔记。
在下一篇内容中，将会介绍另一种模型，Convolutional Neural Networks, CNN（卷积神经网络）的工作。