深度学习（机器学习）入门 手写数字的识别

深度学习（机器学习）入门 手写数字的识别

一. Tensorflow环境的安装

使用 Anaconda 进行安装

a.安装 Anaconda

链接：链接: https://pan.baidu.com/s/1UZdAQm02adB0keTe_mQB3g 提取码: 302e

Anaconda傻瓜安装，一直下一步就行了

b.打开Anaconda prompt

以管理员的身份打开终端

按照以下步骤在 Anaconda 环境中安装 tensorFlow：

通过调用以下命令创建名为 tensorflow 的 conda 环境：

conda create -n tensorflow pip python=3.5

通过发出以下命令激活 conda 环境：

activate tensorflow

发出相应命令以在 conda 环境中安装 TensorFlow。要安装仅支持 CPU 的 TensorFlow 版本，请输入以下命令：

pip install --ignore-installed --upgrade tensorflow

c.测试tensorflow的安装

以管理员身份打开 Anaconda prompt 终端。

如果您是通过 Anaconda 进行安装，请激活您的 Anaconda 环境。

然后再输入python

在 Python 交互式 shell 中输入以下几行简短的程序代码：

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

如果系统输出以下内容，说明您可以开始编写 TensorFlow 程序了：

Hello, TensorFlow!

可能会出现的问题和解决方案

1.Anaconda prompt 中可以import tensorflow 但是 jupyter不行

原因是tensorflow加入在了虚拟内核中，而在 jupyter 中用的不是这个虚拟内核，所以：

在jupyter notebook 添加 python内核（windows）

1. 激活虚拟环境

activate tensorflow

2. 为python安装ipykernel

• 使用pip安装：

  pip install ipykernel
  

• 也可以使用anaconda的方法：

  conda install ipykernel
  

3. 安装 ipykernel

pip install ipykernel

4. 通过ipykernel为jupyter添加python2.7环境

python -m ipykernel install --name tensorflow

5. 查看内核（可以不做）

jupyter kernelspec list

6. 删除内核（可以不做）

jupyter kernelspec remove name

二. 安装 Keras

将anaconda里面各个包未更新到最新

以管理员的身份打开Anaconda终端

conda update conda

conda update --all

激活tensorflow环境

activate tensorflow

安装Keras

pip install keras

下载数据集

使用 MNIST 数据集点击链接进入下载（相关使用说明也在其中）

导入 MNIST 数据集

Keras 默认从 googleapis 下载 MNIST，如果无法访问，可以下载到本地后更改 mnist.py 中的引用路径。

TensorFlow 中存在多个 mnist.py ，这里我们需要修改的是 Keras 下的，我的路径为

D:\Anaconda\envs\tensorflow\Lib\site-packages\tensorflow\python\keras\datasets

打开之后，把

origin_folder = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/'

中的路径修改为你存放数据集的位置即可。

这里可以使用将 mnist.py 文件拖动到空白的浏览器网址部分得到格式正确的地址[外链图片转存失败(img-Y0CYhgGu-1569327338782)(C:\Users\72451\AppData\Roaming\Typora\typora-user-images\1569326549298.png)]

使用模型

参考机器学习入坑指南

直接给出可以运行的代码

import tensorflow as tf  # 深度学习库，Tensor 就是多维数组

mnist = tf.keras.datasets.mnist  # mnist 是 28x28 的手写数字图片和对应标签的数据集
(x_train, y_train),(x_test, y_test) = mnist.load_data()  # 分割数据集

x_train = tf.keras.utils.normalize(x_train, axis=1)  # 把数据值缩放到 0 到 1
x_test = tf.keras.utils.normalize(x_test, axis=1)  

model = tf.keras.models.Sequential()  # 基础的前馈神经网络模型
model.add(tf.keras.layers.Flatten())  # 把图片展平成 1x784
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))  # 简单的全连接图层,，128 个单元，激活函数为 relu
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) 
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))  # 输出层 ，10 个单元， 使用 Softmax 获得概率分布

model.compile(optimizer='adam',  # 默认的较好的优化器
              loss='sparse_categorical_crossentropy',  # 评估“错误”的损失函数，模型应该尽量降低损失
              metrics=['accuracy'])  # 评价指标

model.fit(x_train, y_train, epochs=3)  # 训练模型

val_loss, val_acc = model.evaluate(x_test, y_test)  # 评估模型对样本数据的输出结果
print(val_loss)  # 模型的损失值
print(val_acc)  # 模型的准确度

也可以看一下这个

MNIST机器学习入门