基于TensorFlow卷积神经网络与MNIST数据集设计手写数字识别算法

随着数字化的普及和信息技术的发展，在编号处理、数量读取、价格统计等场合，手写数字识别系统的应用需求越来越强烈，如何将数字方便、快速地输入到计算机中已成为关系到计算机技术普及的关键问题。数字识别技术的研究不仅可以解决当下面临的数字识别问题，同时在图像识别、机器学习等方面也有铺垫作用。由于手写数字识别难于建立精确的数学模型，本文基于TensorFlow卷积神经网络设计手写数字识别算法，导入MNIST数据集进行训练，并测试网络模型的识别准确率。

TensorFlow

TensorFlow是一个基于Python和基于数据流编程的机器学习框架，由谷歌基于DistBelief进行研发，并在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用。2015年11月9日，TensorFlow依据Apache 2.0 开源协议开放源代码。

TensorFlow具有灵活的架构，可部署于各类服务器、PC终端、移动设备和网页并支持GPU和TPU高性能数值计算，提供了各类主流编程语言的API。

数据流图中用“结点”（nodes）和“线”（edges）的有向图来描述数学计算。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“TensorFlow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

Tensor和Flow是TensorFlow最为基础的要素。Tensor意味着data；Flow意味着流动，意味着计算，意味着映射，即数据的流动，数据的计算，数据的映射，同时也体现数据是有向的流动、计算和映射。

MNIST

MNIST是一个经典的计算机视觉数据集，来自美国国家标准与技术研究所（NIST），由纽约大学的Yann LeCun教授主导建立。

MNIST数据集由250个不同的人手写而成，包含各种手写数字图片，以及每一张图片对应的数值标签。它包含60000个训练样本和10000个测试样本，每个样本都是一张28 * 28像素的灰度手写数字图片，存储在28 * 28的二维数组中。

MNIST数据集在深度学习中的地位，就像Hello,World!在编程中的地位。

自建立以来，它便被广泛应用于检验各种机器学习算法、测试各种模型，为机器学习的发展做出了不可磨灭的贡献，其当之无愧为历史上最伟大的数据集之一。

MNIST数据集已经被集成在Keras中，可以直接使用keras.datasets来访问。

环境安装与数据集

（1）环境信息

1. Python 3.8
2. Visual C++库
3. Conda包管理工具

（2）查看NVIDIA驱动版本 

nvidia-smi

 

 

 电脑的NVIDIA驱动版本高于418.x，故可以安装GPU版本。

（3）GPU版本的依赖库安装 

1. 安装CUDA Toolkit

conda install cudatoolkit=10.1

 （之前已经安装好了）

  2.安装cuDNN库

conda install cudnn=7.6.5

（4）Conda配置文件

 

（5）下载安装tensorflow-gpu

pip install tensorflow-gpu -i https://pypi.douban.com/simple

（6）安装matplotlib和jupyter notebook

pip install matplotlib notebook -i