Tensorflow第T1周：Tensorflow实现mnist手写数字识别

​

深度学习Tensorflow第T1周：实现mnist手写数字识别

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

🍺 本周任务：

1. 跑通程序
2. 了解深度学习是什么

这是TensorFlow的第一篇教案，也是深度学习的入门案例，我们或许可以按照下面的步骤进行学习

• **👉 第一步：**整体把握每一部分代码的功能，看第1遍
• **👉第二步：**把握每一行语句的含义，知道实现的是什么功能就行，这里需要不求甚解，看第2遍
• **👉第三步：**动手跟着教案敲一遍代码，把代码跑通

📑备注：

• 如果你之前没有接触过深度学习，第一篇你学起来可能比较蒙，不要着急，等到第3、4篇教案的时候，你会逐步理解的，不要尝试一下就弄明白。
• 把程序当做一个黑盒，先去学会使用（这是我们现阶段的任务），然后再去理解其原理。

🦾我的环境：

• 语言环境：Python3.11.9

• 编译器：jupyter notebook

• 深度学习环境：TensorFlow2.17.0

一、前期工作

1. 设置GPU（如果使用的是CPU可以忽略这步）

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")

if gpus:
    gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPU
    tf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpu0],"GPU")
else:
    print('---------------cpu-------------')

👉 输出：
---------------cpu-------------

2. 导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt

# 导入mnist数据，依次分别为训练集图片、训练集标签、测试集图片、测试集标签
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

3. 归一化

数据归一化作用

• 使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。

• 加快学习算法的收敛速度。

  更详解的介绍请参考文章：🔗归一化与标准化

# 将像素的值标准化至0到1的区间内。(对于灰度图片来说，每个像素最大值是255，每个像素最小值是0，也就是直接除以255就可以完成归一化。)
train_images, test_images = train_images / 255.0, test_images / 255.0
# 查看数据维数信息
train_images.shape,test_images.shape,train_labels.shape,test_labels.shape

"""
输出：((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
"""

👉 输出：

“”"
输出：((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
“”"

4. 可视化图片

# 将数据集前20个图片数据可视化显示
# 进行图像大小为20宽、10长的绘图(单位为英寸i