MNIST手写数字识别一

最新推荐文章于 2022-10-07 15:38:41 发布
最新推荐文章于 2022-10-07 15:38:41 发布
阅读量482 收藏 3
点赞数
分类专栏： 深度学习 tensorflow 文章标签： python tensorflow 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45627332/article/details/119616689
版权

手写分类识别一

MNIST手写数字识别：分类问题
一、数据准备

  1. MNIST数据集来自美国国家标准与技术研究所，National Institute of Standards and Technology(NIST)

  2. 数据集由来自250个不同人手写的数字构成，其中50%是高中学生，50%来自人口普查局（the Census Bureau)的工作人员

  3. MNIST数据集可在http://yann.lecun.com/exdb/mnist/获取

  4. Tensorflow提供了数据集读取方法

    import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)#读取数据（数据集缩放的文件目录，标签的数据格式）

    如果在读取时指定目录不存在，则会自动去下载，需要等待一定时间，如果存在了，则直接读取。

  5. 了解MNNIST手写数字识别数据集

    print('训练集train数量：',mnist.train.num_examples,",验证集validation数量：",mnist.validatio.num_examples,"测试集test数量：",mnist.test.num_examples)

print("train images shape:",mnist.train.images.shape,"labels shaple:",mnist.train.labels.shape)

  6. 可视化image

    import matplotlib.pyplot as plt
def plot_image(image):
	plt.imshow(image.reshape(28,28),cmap="binary")
	plt.show()
#打印下标为20000的图片
plot_image(mnist.train.images[20000])

  7. 思考：以下代码会输出什么图像？

    plt.imshow(mnist.train.images[20000].reshape(14,56),cmap="binary")
plt.show()
二、标签数据和独热i编码

  1. 认识标签labeel

    mnist.train.labels[1]

  2. 独热编码（one hot encoding)

    一种稀疏向量，其中：一个元素设为1，所有其他元素均为0

    独热编码常用于表示拥有有限个可能值的字符串或标示符。

    例如：假设某个植物学数据集记录了15000个不同的物种，其中每个物种都用独一无二的字符串标识符来表示。在特征工程过程中，可能需要将这些字符串标识符编码为独热向量，向量的大小为15000

  3. 为什么要采用one hot编码？

    • 将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。
    • 机器学习算法中，特征之间距离的计算或相似度的常用计算方法都是基于欧式空间的。
    • 将离散型特征使用one hot 编码，会让特征之间的距离计算更加合理。
三、数据集的划分

  1. 构建和训练机器学习模型是希望对新的数据做出良好预测

  2. 如何去保证训练的实效，可以应对前所未见的数据呢?

    一种方法是将数据集分为两个子集：训练集（用于训练模型的子集），测试集（用于测试模型的子集）。

  3. 在测试集上表现是否良好是衡量能否在新数据上表现良好的有用指标，前提是：一、测试集足够大。二、不会反复使用相同的测试集来作假。

  4. 拆分数据：将当个数据集拆分为一个训练集和一个测试集。

    确保测试集满足以下两个条件：一、规模足够大，可产生具有统计意义的结果。二、能代表整个数据集，测试集的特征应该与训练集的特征相同。

  5. 新的划分：将数据集划分为三个子集，可以大幅度降低拟合的发生几率：使用验证集评估训练集的效果。在模型”通过“验证集之后，使用测试集再次检查评估结果。

  6. 读取验证数据

    print(" validation images:",mnist.validation.images.shape,"labels:",mnist.validation.labels.shape)

  7. 读取测试数据

    print("test images:",mnist.test.images.shape,"labels:",mnist.test.labels.shape)
四、数据的批量读取

  1. 一次批量读取多条数据

    print(mnist.train.labels[0:10])

  2. next_batch()实现内部会对数据集先做shuffle（洗牌）/(打乱)

    #数据洗牌得到的10条样本
batch_images_xs,batch_labels_ys=mnist.train.next_batch(batch_size=10)
#输出两个值的shape
print(batch_images_xs.shape,batch_labels_ys.shape)

#输出两个值
print(batch_images_xs)
print(batch_labels_ys)
五、 模型构建

  1. 定义带输入数据的占位符

    #mnist中每张图片共有28*28=784个像素点
x=tf.placeholder(tf.float32,[None,784],name="X")
#0-9一共10个数字=》10个类别
y=tf.placeholder(tf.float32,{None,10},name="Y")

2, 定义模型变量

在本案例中，以正态分布的随机数初始化权重W，以常数0初始化偏置b

#定义变量
W= tf.Variable(tf.random_normal([784,10]),name="W")
b= tf.Variable(tf.zeros[10],name="b")

  1. 了解tf.random_normal()

    norm=tf.random_normal([100])#生成100个随机数
with tf.Session() as sess:
	norm_data=norm.eval()
print(norm_data{:10})#打印前10个随机数

    #使用图形化模式观察
import matplotlib.pyplot as plt
plt.hist(norm_data)
plt.show()

  2. 定义前向计算

    forward = tf.matmul(x,W)+b #前向计算

  3. 结果分类

    pred = tf.nn.softmax(forward)#Softmax分类
六、逻辑回归

  1. 许多问题的预测结果是一个在连续空间的数值，比如房价预测问题，可以用线性模型来描述：

    Y= x1w1+x2w2+…+xn*wn+b

  2. 但也有很多场景需要输出的是概率估算值，例如：

    • 根据邮件内容判断是垃圾邮件的可能性
    • 根据医学影像判断肿瘤是恶性的可能性
    • 手写数字分别是0，1，…，9的可能性（概率）

    这时需要将预测输出值控制在【0，1】区间内

    二元分类问题的目标是正确预测两个可能的标签中的一个，逻辑回归可以用于处理这类问题。

  3. 问题： 逻辑回归模型如何保证输出值始终落在0和1之间？

    sigmod函数（S型函数）生成的输出值正好具有这些特性，器定义如下：

    y=1/(1+e^-(z))

    定义域为全体实数，值域在【0，1】之间

    z值在0点对应的结果为0.5

    sigmoid函数连续可微分。

  4. 逻辑回归中的损失函数

    线性回归的损失函数是平方损失，如果逻辑回归的损失函数也定义为平方损失，那么：

    J(W)= 1/n(求和)（A(zi)-yi)^2

    i表示第i个样本点

    zi=xi*w+b

    A（zi）表示对i个样本的预测值

    yi表示第i个样本的标签值

如果将sigmoid函数带入上述函数，非凸函数，有多个极小值。如果采用梯度下降法，会容易导致陷入局部最优解中。

  1. 二元逻辑回归的损失函数一般采用对数损失函数，定义如下：

    J（W,b) = 【求和】-ylog(y’) - (1 - y )log(1 - y’ )

    (x,y)属于D是有标签样本（x,y) 的数据集

    y是有标签样本中的标签，取值必须是0或1

    y’是对于特征集x的预测值（介于0 和1之间） -

七、多元分类

在多类别问题中，softmax会为每个类别分配一个用小数表示的概率。这些用小鼠表示的概率相加之和必须是1.0。

演示softmax的使用

import tensorflow as tf 
import numpy as np
x = np.array([[-3.1,1.8,9.7,-2.5]])
pred = tf.nn.softmax(x)#Softmax分类

sess = tf.Session()#声明会话
v=sess.run(pred)
print(v)
sess.close()
八、交叉熵损失函数

交叉熵是一个信息论中的概念，它原来是用来估算平均编码长度的。给定两个概率分布p和q，通过q来表示p的交叉熵为：

H（p,q) = -【求和】p(x)log q(x)\

j交叉熵刻画的是两个概率分布之间的距离，p代表正确答案，q代表的是预测值，交叉熵越小，两个概率的分布越接近。

例子：假设有一个3分类问题，某个样例的正确答案是（1，0，0）。甲模型经过softmax回归之后的预测答案是（0.5,0.2,0.3)。乙模型经过softmax回归之后的预测答案是（0.7，0.1，0.2）

H（p,q) = -【求和】p(x) log q(x)

H((1,0,0),(0.5,0.2,0.3))=-log0.5 ≈ 0.301

H((1,0,0),(0.7,0.1,0.2))= -log0.7≈0.155

九、分类模型的构建与实现

  1. 载入数据

    import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("C:/Users/grid/Desktop/MNIST_data/",one_hot=True)#读取数据（数据集缩放的文件目录，标签的数据格式）

  2. 构建模型

    • 定义x和y的占位符

      #mnist中每张图片共有28*28=784个像素点
x =tf.placeholder(tf.float32,[None,784],name="X")
#0-9一共10个数字=》10个类别
y = tf.placeholder(tf.float32,[None,10],name='Y')

    • 创建变量

      在本案例中，以正态分布的随机数初始化权重W，以常数0初始化偏置b

      #定义变量
W = tf.Variable(tf.random_normal([784,10]),name="W")
b = tf.Variable(tf.zeros([10]),name="b")

      在神经网络中，权重W的初始值通常设为正态分布的随机数，偏置项b的初始值通常也设为b的随机数或常数。在Tensorflow中，通常利用以下函数实现正态分布随机数的生成：

      • 用单个神经元构建神经网络

        forward= tf.matmul(x,W)+b   #前向计算

      • 关于Softmax Regression
        当我们处理多分类任务时，通常需要使用SoftmaxREgression模型
        SoftmaxRegression会对每一类别估算出一个概率。
        工作原理：将判定为某一类的特征相加，然后将这些特征转化为判定时这一类的概率。

        pred = tf.nn.softmax(forward)#Softmax分类

  3. 训练模型

    • 设置训练参数

      train_epochs = 50 #训练轮数
batch_size = 100 #单次训练样本数（批次大小
total_batch = int(mnist.train.num_examples/batch_size) #一轮训练有多少批次
display_step =1 #显示粒度
learning_rate= 0.01 #学习率

    • 定义损失函数

      #定义交叉熵损失函数
loss_function = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

    • 选择优化器

      #梯度下降优化器
optimizer= tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

    • 定义准确率

      #检查预测类别tf.argmax(pred,1)与实际类别tf.argmax(y,1)匹配情况
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))

# 准确率，将布尔值转化为浮点数，并计算平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

    • 运行模型

      sess=tf.Session() #声明会话
init =tf.global_variables_initializer() #变量初始化
sess.run(init)

    • 模型训练

      # 开始训练
for epoch in range(train_epochs):
    for batch in range(total_batch):
        xs , ys = mnist.train.next_batch(batch_size) #读取批次数据
        sess.run(optimizer,feed_dict={x:xs,y:ys}) # 执行批次训练
    #total_batch个批次训练完成后，使用验证数据计算误差与准确率，验证集没有分批。
    loss,acc = sess.run([loss_function,accuracy],feed_dict={x: mnist.validation.images, y: mnist.validation.labels})
    # 打印训练过程中的详细信息
    if(epoch+1)%display_step==0:
        print("Train Epoch:",'%02d' % (epoch+1), "Loss=","{:.9f}".format(loss),\
             "Accuracy=","{:.4f}".format(acc))
        
print("Train Finished!")

  4. 评估模型

    完成训练后，在测试集上评估模型的准确率

    accu_test =sess.run(accuracy,feed_dict ={x: mnist.test.images, y: mnist.test.labels})
print("TestAccuracy:",accu_test)

    完成训练后，在验证集上评估模型的准确性

    accu_validation = sess.run(accuracy,feed_dict={x: mnist.validation.images, y: mnist.validation.labels})
print("Test Accuracy:",accu_validation)

  5. 进行预测

    • 在建立模型并进行训练后，若认为准确率可以接受，则可以使用此模型进行预测

      #由于pred预测结果是one-hot编码格式，所以需要转换为0-9数字
prediction_result = sess.run(tf.argmax(pred,1),feed_dict={x: mnist.test.images})

    • 查看预测结果

      #查看预测结果中的前10项
prediction_result[0:10]

    • 定义可视化函数

      import  matplotlib.pyplot as plt
import numpy as np
def plot_images_labels_prediction(images,     #图像列表
                                 labels,      #标签列表
                                 prediction,  #预测值列表
                                 index,       #从第index个开始显示
                                 num=10):     #缺省一次显示10幅图
    fig=plt.gcf()#获取当前图表，GetCurrent Figure
    fig.set_size_inches(10,12)  #1英寸等于2.54cm
    if num >25:
        num =25  #最多显示25个子图
    for i in range(0,num):
        ax =plt.subplot(5,5,i+1)  #获取当前要处理的子图
        ax.imshow(np.reshape(images[index],(28,28)),  #显示第index个图像
                 cmap='binary')
        title = "label=" + str(np.argmax(labels[index]))  #构建该图上要显示的title
        if len(prediction)>0:    #如果预测值不为空，则显示预测值
            title  +=",predict=" + str(prediction[index])
        ax.set_title(title,fontsize=10)  #显示图上的title信息
        ax.set_xticks([]);  #不显示坐标抽
        ax.set_yticks([])
        index +=1
    plt.show()

      可视化预测结果

      plot_images_labels_prediction(mnist.test.images, mnist.test.labels, prediction_result, 10,25)

整个项目的代码：

#一、 载入数据
import tensorflow as tf
import tensorflow.examples.tutorials.mnist.input_data as input_data
mnist = input_data.read_data_sets("C:/Users/grid/Desktop/MNIST_data/",one_hot=True)#读取数据（数据集缩放的文件目录，标签的数据格式）

#二、构建模型
# 1. 定义x和y的占位符
#mnist中每张图片共有28*28=784个像素点
x =tf.placeholder(tf.float32,[None,784],name="X")
#0-9一共10个数字=》10个类别
y = tf.placeholder(tf.float32,[None,10],name='Y')

# 2. 创建变量
#  在本案例中吗，以正太分布的随机数初始化权重W，以常数0初始化偏置b
#定义变量
W = tf.Variable(tf.random_normal([784,10]),name="W")
b = tf.Variable(tf.zeros([10]),name="b")

# 用单个神经元构建神经网络
forward= tf.matmul(x,W)+b   #前向计算
#关于Softmax Regression 当我们处理多分类任务时，通常需要使用SoftmaxREgression模型 SoftmaxRegression会对每一类别估算出一个概率。 工作原理：将判定为某一类的特征相加，然后将这些特征转化为判定时这一类的概率。
pred = tf.nn.softmax(forward)#Softmax分类

#三、训练模型
# 1. 设置训练参数
train_epochs = 50 #训练轮数
batch_size = 100 #单次训练样本数（批次大小
total_batch = int(mnist.train.num_examples/batch_size) #一轮训练有多少批次
display_step =1 #显示粒度
learning_rate= 0.01 #学习率

#2. 定义损失函数
#定义交叉熵损失函数
loss_function = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

#3. 选择优化器
#梯度下降优化器
optimizer= tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)

#4. 定义准确率
#检查预测类别tf.argmax(pred,1)与实际类别tf.argmax(y,1)匹配情况
correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
# 准确率，将布尔值转化为浮点数，并计算平均值
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

#5. 运行模型
sess=tf.Session() #声明会话
init =tf.global_variables_initializer() #变量初始化
sess.run(init)

#6. 模型训练
# 开始训练
for epoch in range(train_epochs):
    for batch in range(total_batch):
        xs , ys = mnist.train.next_batch(batch_size) #读取批次数据
        sess.run(optimizer,feed_dict={x:xs,y:ys}) # 执行批次训练
    #total_batch个批次训练完成后，使用验证数据计算误差与准确率，验证集没有分批。
    loss,acc = sess.run([loss_function,accuracy],feed_dict={x: mnist.validation.images, y: mnist.validation.labels})
    # 打印训练过程中的详细信息
    if(epoch+1)%display_step==0:
        print("Train Epoch:",'%02d' % (epoch+1), "Loss=","{:.9f}".format(loss),\
             "Accuracy=","{:.4f}".format(acc))
        
print("Train Finished!")


#四、评估模型
#  完成训练后，在测试集上评估模型的准确率
accu_test =sess.run(accuracy,feed_dict ={x: mnist.test.images, y: mnist.test.labels})
print("TestAccuracy:",accu_test)
#完成训练后，在验证集上评估模型的准确性
accu_validation = sess.run(accuracy,feed_dict={x: mnist.validation.images, y: mnist.validation.labels})
print("Test Accuracy:",accu_validation)


#五、进行预测
#  1. 在建立模型并进行训练后，若认为准确率可以接受，则可以使用此模型进行预测
#由于pred预测结果是one-hot编码格式，所以需要转换为0-9数字
prediction_result = sess.run(tf.argmax(pred,1),feed_dict={x: mnist.test.images})

#  2. 查看预测结果
#查看预测结果中的前10项
prediction_result[0:10]

#  3.定义可视化函数
import  matplotlib.pyplot as plt
import numpy as np
def plot_images_labels_prediction(images,     #图像列表
                                 labels,      #标签列表
                                 prediction,  #预测值列表
                                 index,       #从第index个开始显示
                                 num=10):     #缺省一次显示10幅图
    fig=plt.gcf()#获取当前图表，GetCurrent Figure
    fig.set_size_inches(10,12)  #1英寸等于2.54cm
    if num >25:
        num =25  #最多显示25个子图
    for i in range(0,num):
        ax =plt.subplot(5,5,i+1)  #获取当前要处理的子图
        ax.imshow(np.reshape(images[index],(28,28)),  #显示第index个图像
                 cmap='binary')
        title = "label=" + str(np.argmax(labels[index]))  #构建该图上要显示的title
        if len(prediction)>0:    #如果预测值不为空，则显示预测值
            title  +=",predict=" + str(prediction[index])
        ax.set_title(title,fontsize=10)  #显示图上的title信息
        ax.set_xticks([]);  #不显示坐标抽
        ax.set_yticks([])
        index +=1
    plt.show()
    
#  4.可视化预测结果
plot_images_labels_prediction(mnist.test.images, mnist.test.labels, prediction_result, 0,15)
12Struggle
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MNIST手写数字数据集
08-28
MNIST手写数字数据集，包含四个文件，分别是训练数据，训练标签，测试数据，测试标签
MNIST的手写数字识别
shuiliusheng的专栏
03-30 1483
MNIST的手写数字识别 数据集 传统的手写数字的数据集MNIST（http://yann.lecun.com/exdb/mnist/） 训练集为60000图片，图片像素为28*28。Images文件中存储图片，label文件中存储对应的数字 测试集为10000图片，格式一致 网络结构设计 ​ 网络结构为三层神经网络，包括一个输入层，一个输出层，两个隐藏层。输入层为图片的向量形式...
MNIST手写数字.bmp图片格式数据集
11-17
mnist数据集，已将原始数据修改为图片格式保存，训练集60000张.bmp格式图片，测试集10000张.bmp图片，需要处理代码或者labels标签读取的联系
MNIST手写数字识别
liushui94的博客
06-20 1074
手写数字识别是入门的教程，利用这个学习一下深度学习原理以及tensorflow的使用
机器学习篇——MNIST手写数字识别
炼丹师的博客
03-20 8585
文章目录MNIST数据集的解读以及导入数据获取读取数据集数据集的划分模型构建 MNIST数据集的解读以及导入 这玩意说白了就是一个神经元处理分类问题（使用softmax分类，简单来说就是将概率转化为0-1区间的一个数字）。 数据获取 MNIST手写数据集来自美国国家标准与技术研究所，由250个志愿者手写数字构成。 其中训练集55000，验证集5000，测试集10000。数据集可以在http://...
MNIST手写数字识别 数据集
11-04
手写数字的MNIST数据集，该数据集包含60,000个用于训练的示例和10,000个用于测试的示例。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28像素)，其值为0到1。每个图像都被平展并转换为784(28 * 28)个...
深度学习应用开发-TensorFlow实践 – mnist手写数字识别1
01-07
单个神经元前向计算实现mnist手写数字识别 代码 import tensorflow as tf import tensorflow.examples.tutorials.mnist.input_data as input_data mnist = input_data.read_data_sets(data/,one_hot=True) #next_...
MNIST手写数字识别.zip
03-31
用手写数字识别写机器学习第一个代码再合适不过了
MNIST手写数字识别数据集.zip
03-24
mnist数据集，手写数字识别数据集
FCN实现MNIST手写数字识别.rar
07-08
FCN实现手写数字数据集MNIST的识别，代码为自己翻写，包含MNIST数据集，代码与大量注释，及24页原创报告
手写数字MNIST数据集.zip
06-20
手写数字MNIST数据集，包含mnist_train.csv和mnist_test.csv两个训练集和测试集
TensorFlow官方文档里面，MNIST数据集 input_data
01-11
TensorFlow官方文档里面， MNIST数据集 input_data
mnist手写数字识别
misterfm的博客
07-19 449
代码】mnist手写数字识别。
MNIST数据集手写数字识别（CNN）
sikh_0529的博客
09-17 2万+
MNIST 包括6万张28x28的训练样本，1万张测试样本，很多教程都会对它”下手”几乎成为一个 “典范”，可以说它就是计算机视觉里面的Hello World。所以我们这里也会使用MNIST来进行实战。前面在介绍卷积神经网络的时候说到过LeNet-5，LeNet-5之所以强大就是因为在当时的环境下将MNIST数据的识别率提高到了99%，这里我们也自己从头搭建一个卷积神经网络，也达到99%的准确率。
手写数字数据集MNIST
qq_37289115的博客
10-14 1万+
文章目录一、 简介二、下载MNIST数据集训练集和测试集的长度输出图像数据和标记数据的形状显示手写数字图片输出数据集中的第1个样本显示图片 一、 简介 MNIST是一个非常有名的手写体数字识别数据集(手写数字灰度图像数据集)，在很多资料中，这个数据集都会被用作深度学习的入门样例。 MNIST数据集是由0到9的数字图像构成的。训练图像有6万张，测试图像有1万张。MNIST数据集是NIST数据集的一个子集，它包含了60000张图片作为训练数据，10000张图片作为测试数据。由250个不同的人手写而成。 每一张图
mnist手写数字识别神经网络
LifeIsMad的博客
10-07 4721
MNIST数据集是由0 到9 的数字图像构成。训练图像有6 万张，测试图像有1 万张，这些图像可以用于学习和推理。MNIST数据集的一般使用方法是，先用训练图像进行学习，再用学习到的模型度量能在多大程度上对测试图像进行正确的分类。MNIST的图像数据是28 像素 × 28 像素的灰度图像（1 通道），各个像素的取值在0 到255 之间。每个图像数据都相应地标有“7”、“2”、“1”等标签。load_mnist函数以“( 训练图像, 训练标签)，( 测试图像，测试标签)”的形式返回读入的MNIST数据。
【深度学习kears+tensorflow】MNIST手写数字识别
子浩的博客
04-25 1万+
import keras keras.__version__ Using TensorFlow backend. '2.3.1' A first look at a neural network This notebook contains the code samples found in Chapter 2, Section 1 of Deep Learning with Python....
MNIST 手写数字识别（一）
热门推荐
MirrorN的博客
11-07 8万+
MNIST 手写数字识别模型建立与优化 本篇的主要内容有： TensorFlow 处理MNIST数据集的基本操作 建立一个基础的识别模型 介绍 SoftmaxSoftmaxSoftmax回归以及交叉熵等 MNIST是一个很有名的手写数字识别数据集（基本可以算是“Hello World”级别的了吧），我们要了解的情况是，对于每张图片，存储的方式是一个 28 * 28 的矩阵，但是我们在导入数据进...
手写数字识别mnist
风吹落叶的博客
12-29 4587
手写数字识别mnist 一、前言 在实现手写数字识别的时候，我看到csdn上检索的手写数字识别有一些繁杂，可是作为AL世界的Hello World，这是不合理的，代码本来就不复杂。 繁杂的操作和图片有点让人生畏，所以我决定有必要重写一下程序、记录一下过程。 下面是一些国内的pip源，有需要可自取 阿里云 http://mirrors.aliyun.com/pypi/simple/ 中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/ 豆瓣(douban) http
mnist手写数字识别tensorflow
最新发布
06-06
TensorFlow 是一个流行的机器学习框架，可用于实现MNIST手写数字识别任务。 在 TensorFlow 中，可以使用卷积神经网络（Convolutional Neural Network，CNN）来实现MNIST手写数字识别。具体来说，需要定义一个包含多...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值