机器学习篇——MNIST手写数字识别

MNIST手写数字识别是调教一个完整的神经元来进行分类模型的构建应用，为什么说是一个完整神经元呢？因为它具备生物学上一个神经元的特征，除了有输入输出函数，还有一个激活函数，对应着生物学上神经元的阈值。

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://yann.lecun.com/exdb/mnist/获取。

读取数据集

# 导入相关库
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("D:/MNIST",one_hot=True)

# 数据集的形状
print("训练集 train 数量：",mnist.train.num_examples,
     ",验证集 validation 数量：",mnist.validation.num_examples,
     ",测试集 test 数量：",mnist.test.num_examples)

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


# 一副image的数据
len(mnist.train.images[0])
mnist.train.images[0].shape

# 重塑image数据
mnist.train.images[0].reshape(28,28)

# 可视化 image
import matplotlib.pyplot as plt
def plot_image(image):
    plt.imshow(image.reshape(28,28),cmap="binary")
    plt.show()
    

# 可视化image图片
plot_image(mnist.train.images[6666])

# 理解标签
mnist.train.labels[666] # 独热编码是一种稀疏的向量，其中只有一个元素设为1，其他所有元素均设为0.
# 常用于表示用于有限个可能值的字符串后者标识符