TensorFlow 2.0 mnist手写数字识别(CNN卷积神经网络)

最新推荐文章于 2023-04-14 23:57:56 发布

青年夏日科技

最新推荐文章于 2023-04-14 23:57:56 发布

阅读量2.5k

点赞数 2

本文链接：https://blog.csdn.net/sinat_28371057/article/details/112255905

版权

本文是TensorFlow 2.0入门教程的第五篇，介绍如何使用CNN提升MNIST手写数字识别的准确性。通过Keras构建模型，详细讲解CNN的工作原理和代码实现，最终模型达到约99%的准确率。文章对比了TensorFlow 1.0和2.0的区别，并提供了数据集预处理、模型训练和图片预测的步骤。

摘要由CSDN通过智能技术生成

TensorFlow 2.0 (五) - mnist手写数字识别(CNN卷积神经网络)

源代码/数据集已上传到 Github - tensorflow-tutorial-samples

卷积神经网络gif动图

大白话讲解卷积神经网络工作原理，推荐一个bilibili的讲卷积神经网络的视频，up主从youtube搬运过来，用中文讲了一遍。

这篇文章是 TensorFlow 2.0 Tutorial 入门教程的第五篇文章，介绍如何使用卷积神经网络（Convolutional Neural Network, CNN）来提高mnist手写数字识别的准确性。之前使用了最简单的784x10的神经网络，达到了 0.91 的正确性，而这篇文章在使用了卷积神经网络后，正确性达到了0.99

卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。

卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。

——维基百科

1. 安装TensorFlow 2.0

Google与2019年3月发布了TensorFlow 2.0，TensorFlow 2.0 清理了废弃的API，通过减少重复来简化API，并且通过Keras能够轻松地构建模型，从这篇文章开始，教程示例采用TensorFlow 2.0版本。

1	pip install tensorflow==2.0.0-beta0

或者在这里下载whl包安装：https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/

2. 代码目录结构

data_set_tf2/  # TensorFlow 2.0的mnist数据集
    |--mnist.npz  
test_images/   # 预测所用的图片
    |--0.png
    |--1.png
    |--4.png
v4_cnn/
    |--ckpt/   # 模型保存的位置
        |--checkpoint
        |--cp-0005.ckpt.data-00000-of-00001
        |--cp-0005.ckpt.index
    |--predict.py  # 预测代码
    |--train.py    # 训练代码