手写数字识别（2.1）：Linux环境部署及Tensorflow框架的构建（举个梯度下降优化器的栗子）

上一篇关于OCR字符识别，用的一般的数字图像处理的方法以及经典监督式分类器KNN进行模型构建，虽然实时性比较高，但是却不能作为大规模识别方法，显然我的数据是不够的。

 

 

 后面的内容，我打算完善OCR手写数字识别这个模块，借助编程框架Tensorflow于linux上采用几种主流的深度学习算法实现MNIST数据集的完美分类。既然是项目，那就必须要做些实用性的东西，开发一个web接口服务器（支持AJAX请求、数据持久化、用户认证，任务队列，数据文件上传等功能），与深度学习的服务相结合，开发一个图像识别系统，搭建一个小型完备的深度学习服务云平台。

今天讲第一步：准备工作，关于linux学习深度学习的几个建议。

Tip1：使用linux（Ubuntu为例），一定要关闭客人会话

ubuntu中的客人模式是个很烦人的东西，其本意是保护隐私的设计，当经常不小心开启而且你还关不掉。所以，干脆关了它！关闭方法很简单:
1. 进入tty1控制台（ctrl+alt+f1）,root省份登录

2. 使用Vi编辑器配置文件：sudo vi /etc/lightdm/lightdm.conf

3. 编辑文件（i键进入编辑模式，Esc键退出编辑）

[SeatDefaults]

greeter-session=unity-greeter

allow-guest=false

4. Esc后，输入“：”，按“x”退出并保存

5.重启系统：sudo reboot

Tip2:Anaconda是搭建深度学习环境的首选

理由：

1. 虽然ubuntu系统自带Python，当有时候为了后面搭建环境的要求，版本不匹配，那就要自行安装一个版本，自行安装版本你不管还好，要是你修改默认Python版本操作失误了，极有可能出现打开不了终端的情况（ctrl+alt+T）。（补救办法：其实就是重命名文件，比如ubuntu16.04自带3.5版本的Python,你安装了3.6版本的，那么需要在tty1终端下，进入路径 /usr/lib/python3/dist-packages/gi/, ls查看目录，将里面的_gi_cairo.cpython-35m-x86_64-linux-g文件和_gi.cpython-35m-x86_64-linux-gnu.so文件需要重命名或复制一份为：_gi_cairo.cpython-36m-x86_64-linux-g和_gi.cpython-36m-x86_64-linux-gnu.so，然后重启即可）用Anaconda的话，几乎都是自动设置好的，包括后面需要的大部分python已来包都给安装好了。

2.可以conda创建虚拟环境，在不同的虚拟环境中，你可以安装不同的框架，而且彼此互不影响（python解释器的路径不同罢了），比如我创建了三个虚拟环境，分别装上了caffe,tensorflow,theano三个学习框架，本文记录的项目使用Tenserflow框架，不过Tensorflow也有不合适的地方，比如不支持双向RNN和3D卷积神经网络，而Theano则提供了较好的支持。

关于Anaconda和Tensorflow的安装，这里我就不说了，网上教程太多太多了，只不过注意的是，版本一定要匹配，否则import tensorflow的时候会报错，这里可以参考这个来选择版本：https://github.com/lakshayg/tensorflow-build

另外，如果提示你CPU还有待优化项，别管他，直接屏蔽建议就行，不影响程序执行

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

Tensorflow入门级案例

这个是我在一段程序中截取出来的，可以很好地表达Tensorflow用法：

import tensorflow as tf
import numpy as np

#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2

#构造一个线性模型
b=tf.Variable(0.0)       #初始化为0
k=tf.Variable(0.0)
y=k*x_data+b

#二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)        #梯度下降优化其器，学习率为0.2
#最小化代价函数（越小越好）
train=optimizer.minimize(loss)

init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):       #迭代200次
        sess.run(train)
        if step%20==0:           #每20次打印k和b的值
            print(step,sess.run([k,b]))   #k越来越接近0.1,b越来越接近0.2

Tensorflow与一般python写代码的主要区别就是它要先定义图和op，再去执行操作。例子其实就是一个线性关系的拟合，使用了Tensorflow封装好的梯度下降方法作为优化器（想知道算法原理可以去看老周的机器学习西瓜书），最后迭代200次，每20次打印一下k和b的值，最后结果这样