深度学习入门笔记系列 ( 五 )

2019独角兽企业重金招聘Python工程师标准>>>

基于 tensorflow 的手写数字的识别（简单版本）

本系列将分为 8 篇 。本次为第 5 篇 ，结合上一篇的应用实例 ，将前边学到一些基础知识用到手写数字的识别分类上 。

1.关于 MNIST 数据集

首先 ，我们得了解 MNIST 数据集 。这是一个手写数字数据集 ，在深度学习入门学习中极具代表性 。可以从官网下载该数据集 ，但事实上 TensorFlow 中提供了一个类来处理 MNIST 数据 ，这个类会自动下载并转化格式 ，将数据从原始的数据包中解析成训练和测试神经网络时使用的格式 ，具体相关函数在接下来代码中介绍 。
MNIST 数据集被分为训练数据集（60000张手写数字图片）和测试数据集（10000张手写数字图片）。
每一张图片包含 2828 个像素 ，图片里的某个像素的强度值介于0-1之间。例如 ，数字 1 对应一个 2828 像素图片 ，其像素强度如下 ：

 

我们把这一个数组展开成一个向量 ，长度是 28*28=784 。因此在MNIST训练数据集中 mnist.train.images 是一个形状为 [60000, 784] 的张量，第一个维度数字用来索引图片，第二个维度数字用来索引每张图片中的像素点。

2.one-hot 向量和 Softmax 函数

MNIST 数据集标签为 0-9 十个数字 ，我们用 one-hot 向量来表示 。以MNIST 数据集为例 ，one-hot 向量指的是除了某一位数字为 1 ，其他维度都为 0 ，比如数字 1 对应 [0,1,0,0,0,0,0,0,0,0] 。
那么我们就可以得到数据集中对应的标签（labels）是若干个 one-hot 向量组成的矩阵 。以训练集为例 ，是一个 [60000,10] 的数字矩阵 。

转载于:https://my.oschina.net/u/3611008/blog/1923819