TensorFlow+python Flask进行手写识别

1.首先进行环境搭建：
请参看：https://blog.csdn.net/qq_32447301/article/details/79485374
2.分享：
手写数字识别、基于TensorFlow框架、采用mnist数据集、python flask框架整合。
3.首先看实现效果与demo的网站路径：

网站路径：https://tensorflow-mnist.herokuapp.com/

注意：缺点就是不能重复写、识别率准确性低。

4.需要要求：
4.1 了解TensorFlow框架：
4.1.1 基于Distbelief进行研发的第二代人工智能系统。
4.1.2 可用于语音识别与图像识别等深度学习领域。
4.1.3 通过神经网络搭建进行学习、分析和处理过程的系统。
4.1.4 支持CNN、RNN和LSTM算法等。
4.2 MNIST数据集的模型建立：
4.2.1 建立手写数字的数据库。
4.2.2 70000张训练图像（60000张训练图像和10000张测试图像）。
4.2.3 所以0-9手写图像、手写数据图像集的数据库。
4.3 Flask框架搭建与建立：
4.3.1 python Flask框架是轻量级web框架。
4.3.2 python语音进行编写的。
5. 训练步骤：
5.1 下载数据集。网址：http://yann.lecun.com/exdb/mnist/
5.2 编写训练程序。
5.3 训练模型。
5.4 验证训练模型。
6. 使用Flask调用模型：
6.1 TensorFlow的调用方法进行调用训练模型。
6.2 定义参数。
6.3 通过端进行传参。
6.4 进行数据验证并返回。
7. 整合项目
7.1 训练并生成模型
7.2 接口
7.3 前端调用
7.4 验证并返回结果
8. regression：线性回归神经网络
9. convolutional：卷积神经网络
相比之下 卷积神经网络好点。
源码下载：https://github.com/sugyan/tensorflow-mnist
10.添加TensorSpace.js
基于 TensorSpace 所开发的3D可视化神经网络模型实例。通过这些实例，我们可以体验不同的可交互模型，包括但不限于：物体分类、物体探测、图片生成等。我们希望通过展示这些模型实例，来更好、更直观地体现 TensorSpace 的应用场景、操作方法以及展示效果。
地址：https://tensorspace.org/html/playground/index_zh.html

欲知后事、且听下回分解。
下一节源码分析。