机器学习入坑指南（九）：TensorFlow 实战——手写数字识别（MNIST 数据集）

上篇文章简要介绍了「深度学习」，接下来，我们将从最经典的例子入手进行实战。

一、背景知识简介

1 TensorFlow

Tensor：张量（即多维数组），Flow：（数据）流

TensorFlow，是一个使用数据流图（data flow graohs）技术来进行科学计算的开源软件库，它由Google Brain 团队开发，被广泛应用于各种感知和语言理解任务的机器学习。

点击访问：TensorFlow 官网，可以查阅官方文档、获取一手资讯和下载最新版本。

或者访问：GitHub - tensorflow 来达到同样的效果

英文阅读有困难的同学参考：TensorFlow 中文文档

在本次实战中我们还将使用 Keras，它是一个基于 Theano（另一个开源库）和 TensorFlow 构建的高级神经网络 API，能够在 Theano、TensorFlow 或 Microsoft Cognitive Toolkit 上运行。

点击访问：Keras 中文文档

2 MNIST 数据集

在上篇文章中我们已经提到过 MNIST 了，它是一个收录了许多 28 x 28 像素手写数字图片（以灰度值矩阵存储）及其对应的数字的数据集，可以把它理解成下图这个样子：

图片来源：3Blue1Brown 的视频，强烈推荐观看系列视频：B 站播放地址

二、Python 实现

这里我们依旧使用 Jupyter Notebook 作为开发环境，没有使用过的同学参考我的文章「机器学习入坑指南（一）：Python 环境搭建」。

当然，使用 Pycharm 等 IDE 也没有问题。

扫描二维码关注公众号，回复： 3415345 查看本文章

1 安装并导入 TensorFlow、Keras

在 Anaconda 终端中输入命令

conda install tf-nightly

或输入（Python Shell 中也可以使用此命令）

pip install tf-nightly

Keras 已经被集成进了 TensorFlow 中。我们可以通过 tensorflow.keras来访问它。

接下来，导入这两个库

import tensorflow.keras as keras
import tensorflow as tf

可以通过简单的代码测试导入是否成功

print(tf.__version__)

2 导入并测试 MNIST 数据集

Keras 默认从 googleapis 下载 MNIST，如果无法访问，可在 GitHub 上下载，点击这里，下载到本地后更改 mnist.py 中的引用路径。

TensorFlow 中存在多个 mnist.py ，这里我们需要修改的是 Keras 下的，我的路径为
cmd C:\ProgramData\Anaconda3\Lib\site-packages\tensorflow\python\keras\datasets

打开之后，把

origin_folder = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/'

中的路径修改为你存放数据集的位置即可。进入正题

mnist = tf.keras.datasets.mnist #导入mnist
(x_train,y_train),(x_test,y_test) = mnist.load_data() #分割
print(x_train[0]) # 查看第一个测试数据的输入

然后你就看到了如下的输出：

让我们把这个矩阵用图像表示出来

import matplotlib.pyplot as plt
%matplotlib inline # 加上这句才能显示图像
plt.imshow(x_train[0],cmap=plt.cm.binary) # 显示黑白图像
plt.show()

可以通过以下代码对数据进行归一化处理

x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)

再次查看图像

plt.imshow(x_train[0],cmap=plt.cm.binary)
plt.show()

图像的像素值被限定在了 [0,1] 。可以通过

print(x_train[0])

查看矩阵数据。

3 构建与训练模型

终于进入核心环节了。在这里，我们使用 Keras 的 Sequential 模型（顺序模型）。Sequential 模型是最常用的模型，也就是一个按照顺序向前传递的神经网络。

model = tf.keras.models.Sequential()

接下来为模型添加图层。神经网络的输入层是一个一维向量,所以我们需要把输入的图像矩阵展平，从 28 x 28 变为 1 x 784 。Keras 为我们提供了如下方法：

model.add(tf.keras.layers.Flatten())

之后，为神经网络添加隐藏层。这里我们使用最简单的 Dense 层（即全连接层，每一个神经元与前后两层的所有神经元相连）

model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))

这个层有 128 个单元，激活函数选择 reLU，最初人们喜欢用 Sigmoid 函数，但后来发现 reLU 效果更好，所以可以当做一个默认的选择。

接下来再加入一个相同的层

model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))

再加入输出层

model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))

输出层有 10 个结点，代表 10 种不同的数字。这里使用 softmax 函数作为激活函数，因为我们想要找到预测结果的概率分布。（使用 reLU 得到的数字并没有这个意义）

我们构建出的模型大概是这个样子的（示意图来自 3Blue1Brown，隐藏层只有 16 个单元，实际上我们有 128 个）

添加好所有的层后，“编译”这个模型。

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

optimizer 即优化器，我们一般默认使用 adam。
loss 指损失函数，这里我们将其指定为 sparse_categorical_crossentropy，即计算分类结果的交叉熵损失。
metrics 列表，参数为评估模型性能的指标，典型用法即 metrics=['accuracy']

最后，拟合这个模型

model.fit(x_train, y_train, epochs=3)

在训练的过程中，我们会发现损失值（loss）在降低，而准确度（accuracy）在提高，最后达到了一个令人满意的程度。

4 测试模型

让我们利用测试集试试这个模型是不是真的学会了识别数字

val_loss, val_acc = model.evaluate(x_test, y_test)
print(val_loss)
print(val_acc)

损失和准确度看起来还凑合，尝试识别训练集

predictions = model.predict(x_test)
print(predictions)

看不出来这是个啥？别急，用 argmax 解析一下（就是找出最大数对应的索引，即为识别出的数字）

import numpy as np

print(np.argmax(predictions[0]))

啊哈，来看看 x_test[0] 这个图像是什么样的

plt.imshow(x_test[0],cmap=plt.cm.binary)
plt.show()

OK，妥妥的，相信你也认为这就是个 7，我们的模型已经可以识别数字啦！当然，这只是一个简单的开始，后面的路还有很长，要多思考多动手，坚持学习，才能早日成为大牛！

最后附上可以跑起来的完整代码，来自Deep Learning basics with Python, TensorFlow and Keras p.1

import tensorflow as tf  # 深度学习库，Tensor 就是多维数组

mnist = tf.keras.datasets.mnist  # mnist 是 28x28 的手写数字图片和对应标签的数据集
(x_train, y_train),(x_test, y_test) = mnist.load_data()  # 分割数据集

x_train = tf.keras.utils.normalize(x_train, axis=1)  # 把数据值缩放到 0 到 1
x_test = tf.keras.utils.normalize(x_test, axis=1)  

model = tf.keras.models.Sequential()  # 基础的前馈神经网络模型
model.add(tf.keras.layers.Flatten())  # 把图片展平成 1x784
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))  # 简单的全连接图层,，128 个单元，激活函数为 relu
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu)) 
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))  # 输出层 ，10 个单元， 使用 Softmax 获得概率分布

model.compile(optimizer='adam',  # 默认的较好的优化器
              loss='sparse_categorical_crossentropy',  # 评估“错误”的损失函数，模型应该尽量降低损失
              metrics=['accuracy'])  # 评价指标

model.fit(x_train, y_train, epochs=3)  # 训练模型

val_loss, val_acc = model.evaluate(x_test, y_test)  # 评估模型对样本数据的输出结果
print(val_loss)  # 模型的损失值
print(val_acc)  # 模型的准确度

您的认真阅读就是对我最大的鼓励！如果觉得我的文章对您有帮助，想要和我一起不断学习新的知识、不断进步，欢迎点击头像旁边的「关注」按钮，让我好跟基友们吹个牛逼！

欢迎关注 evan 的博客