超赞的学习笔记——《Python深度学习4：MNIST手写数字识别模型》

目录

► 前言

► 开发环境

► 程式码讲解

►小结

---

► 前言

之前写了一篇“Python深度学习3：深度学习基本介绍”介绍深度学习的基本概念，这次我们就将概念转为实际程式码，使用Tensorflow Keras制作一个神经网路，用于MNIST手写辨识阿拉伯数字，在程式语言第一隻程式码为“Hello World”，而机器学习领域裡，MNIST就相当于“Hello World”。

► 开发环境

一般可以使用Python程式语言直接执行，但也可以使用jupyter Notebook来建构程式码，可以将程式码分段执行，当出现问题时可以非常方便的比对每一行程式码的执行结果，建构方式可以使用Anaconda软体，方便在每个系统执行，此外，也可以使用云端平台进行模型训练或学习，Google提供Colab平台，可以使用免费的GPU及TPU加速模型训练，内部系统为Linux系统，而且也安装大部分软件，方便使用者操作，介绍的部分可以参考“Python深度学习1：Google Colab介绍”及“Python深度学习2：Python基础语法介绍”。

► 程式码讲解

Step 1. 下载资料集(Dataset)

Step 2. 图像资料归一化(Normalization)

Step 3. 模型建立

Flatten Layer：将输入展平，不影响批量大小。图像摊平成1维阵列 28 x 28 的784特徵。

Dense Layer：全连接层，input 784个特徵连结为128个神经元。

Dropout Layer：训练过程随机丢弃20%的神经元。

Dense Layer：输出10个神经元，透过 softmax 激活函数，转成0~9的预测机率。

Step 4. 模型训练

 Step 5. 模型评估

 Step 6. 模型验证

先在小画家制作手写5，再将图片存放至Google云端硬碟。

从云端硬碟中取得图片路径，将图像归一化，并调整图像Size，即可使用model.predict函式推论图像，即可得到最后答案。

►小结

透过以上范例讲解，能够建立一个简单的数字辨识模型，相信对于机器学习有了一些了解，数字辨识为机器学习第一个模型，后续还有许多模型演算法可以学习，本篇博客到这裡，期待下一篇博客吧！