python识别手写数字字体_基于tensorflow框架对手写字体MNIST数据集的识别

本文我们利用python语言，通过tensorflow框架对手写字体MNIST数据库进行识别。

学习每一门语言都有一个“Hello World”程序，而对数字手写体数据库MNIST的识别就是深度学习的“Hello World”代码。下面我们给出详细的步骤。

tensorflow概述

tensorflow是用C++语言实现的一个深度学习模块。tensorflow是一种数据流编程，所谓的数据流编程，就是python编译环境只负责生成一个深度学习的数据流，然后将数据流传入C++语言的运行环境，在C++语言中执行，执行完的结果再返回到python运行环境，所以你会发现tensorflow的语言很复杂(深度学习本身就是一门较为前沿的领域)，但是tensorflow的运行效率比较高，所以比较适合运行深度学习这样计算量庞大的算法。

下面我们来阐述一下手写字体的识别过程，其中手写字体的数据库下载在网上很容易找到：

MNIST数据集

MNIST数据集的官网是Yann LeCun's website。在这里，我们提供了一份python源代码用于自动下载和安装这个数据集。你可以用下面的代码导入到你的项目里面，也可以直接复制粘贴到你的代码文件里面。

下面我们给出具体的、完整的代码分析。

导入所需要的包

第一步，导入所需要的包：

其中，input_data这个类是tensorflow为数据集MNIST专门设计的，只针对MNIST数据集。

函数tf.reset_default_graph()是重置数据流。

导入数据

正如前文所介绍的，其中MNIST_data是文件夹的名字，文件夹需要与代码在同一个目录下，文件夹中的文件就是数据集，如图所示：

one_hot=True表示对标签进行独热编码。

构建网络

构建网络的输入输出，以及权重，如图所示：

其中x_data为输入的图像数据，y_data为输入的标签数据，w为网络的权重，bias为偏置，cross_e为基于交叉熵的损失函数，opt为梯度优化器，train为最终的训练接口。

训练

训练的代码也很简单，其中tf.train.Saver()是保存模型对象，后期可以继续调用。

测试

最后一步就是测试，从测试结果看，为0.91，其中x_test_data为测试的图像输入，y_test_data为测试图像的标签。

总结

本文用的虽然是tensorflow框架，处理的也是图片数据，但是并没有用到深度学习算法，只是用了普通的神经网络——全连接神经网络。所以效果为0.91，读者感兴趣可以使用CNN卷积神经网络对数据进行训练，可以得到较高的识别率。

谢谢阅读，希望对你的学习有所帮助。