tensorflow初学之notMNIST-优快云博客

本文介绍了在TensorFlow中使用notMNIST数据集进行深度学习的初步实践，包括环境配置、数据下载、数据预处理、归一化验证、数据平衡检查、数据随机化、模型训练等步骤。通过解决不同问题，如生成pickle文件、训练简单机器模型等，为后续深度学习打下基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在之前我们接触了MNIST的相关知识，并且建立了简单的线性逻辑回归模型，接下来，学习了udacity上的tensorflow教程，并完成了任务一notmnist.

环境介绍

win7+python3.5+tensorflow

（环境如果不会可看之前的教程：点击传送门）

notMNIST

notMNIST与MNIST相似，图片大小为28x28，灰度，与MNIST类似。但是较比MNIST，notMNIST含有 A-J 10个类别的艺术印刷体字符，字符的形状各异，噪声更多，更加难以处理

数据下载

首先将测试集和训练集下载到本机，

点击测试集下载链接

点击训练集下载链接

每个每个数据集下有A-J的文件夹，这里下载的是.tar.gz格式的，下载后，右键解压，生成一个.tar文件，然后继续解压，才会解压完成。

打开Jupyter Notebook

由于这里我是采用的anaconda安装的tensorflow，所以在开始菜单，所有程序找到anaconda3，然后找到jupyter notebook打开即可；

如果不是anaconda安装的，可参考之前的教程：点击查看教程

deep learning

这里，我们参考tensorflow下udacity的教程步骤进行的，

引包检查

首先检查，接下来要使用的各种包是否都已经安好，代码如下：

from __future__ import print_function
import matplotlib.pyplot as plt
import numpy as np
import os
import sys
import tarfile
from IPython.display import display, Image
from scipy import ndimage
from sklearn.linear_model import LogisticRegression
from six.moves.urllib.request import urlretrieve
from six.moves import cPickle as pickle

点击jupyter notebook的run cell，（就是一个向右的箭头），点击后不报错即说明各种包已经安好，如果有错，按照错误提示，安装缺失的包即可

problem1：生成pickle

我们没必要将所有数据载入内存，可以利用pickle分别存储每个类型的数据，然后再分别处理。之后，汇总到一个可具操作性的数据集中。

image_size = 28  # Pixel width and height.
pixel_depth = 255.0  # Number of levels per pixel.
-
def load_letter(folder, min_num_images):
  """Load the data for a single letter label."""
  image_files = os.listdir(folder)
  dataset = np.ndarray(shape=(len(image_files), image_size, image_size),
                         dtype=np.float32)
  print(folder)
  num_images = 0
  for image in image_files:
    image_file = os.path.join(folder, image)
    try:
      image_data = (ndimage.imread(image_file).astype(float) - 
                    pixel_depth / 2) / pixel_depth
      if image_data.shape != (image_size, image_size):
        raise Exception('Unexpected image shape: %s' % str(image_data.shape))
      dataset[num_images, :,