課前知識
新版的Tensorflow2.0與原版的Tensorflow有着較大的更新和變動，Tensorflow2.0將Keras作爲默認高級API，並捨棄掉其它的API。此外，另外較大的變動的是將用於機器學習的實驗和研究平臺 Eager execution 設置爲默認優先模式, 這樣設置的好處是我們不用再像以前一樣預先定義靜態圖，任何的運算在調用之後都可以直接執行。與原版相比，Tensorflow2.0更方便，大幅降低了初學者學習的難度。
這裏並不對Tensorflow2.0的其它特性做具體描述，總之我們可以比較清楚的明白，Keras是我們學習的首要基礎，下文便是對Keras一些常用操作結合一些基本案例來進行描述。
Tensorflow2.0的安裝
1.Tensorflow2.0的主要配置環境及使用還是在Anaconda及Jupyter notebook裏，對於Anaconda的安裝這裏不做過多描述，有很多博客有很仔細的教程，這裏主要想講的一點的關於Tensorflow2.0安裝的點，因爲現在用在Anaconda Prompt 直接 pip install 指令安裝實在是太慢了，經常會中斷，因此我們可以用國內的一些鏡像源進行安裝，大家可以輸入以下指令，中間多了一個網站，然後就會發現安裝速度特別快了，其它庫的安裝也是一樣的，把後面庫的名字改掉即可。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.0.0-alpha0
MNIST 數據集已經是一個被”嚼爛”了的數據集, 很多教程都會對它”下手”, 幾乎成爲一個 “典範”. 不過有些人可能對它還不是很瞭解, 下面來介紹一下.
MNIST 數據集可在 http://yann.lecun.com/exdb/mnist/ 獲取, 它包含了四個部分:
Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解壓後 47 MB, 包含 60,000 個樣本)Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解壓後 60 KB, 包含 60,000 個標籤)Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解壓後 7.8 MB, 包含 10,000 個樣本)Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解壓後 10 KB, 包含 10,000 個標籤)
MNIST 數據集來自美國國家標準與技術研究所, National Institute of Standards and Technology (NIST). 訓練集 (training set) 由來自 250 個不同人手寫的數字構成, 其中 50% 是高中學生, 50% 來自人口普查局 (the Census Bureau) 的工作人員. 測試集(test set) 也是同樣比例的手寫數字數據.
利用TensorFlow代碼下載MNIST
TensorFlow 提供了一個庫，可以直接用來自動下載與安裝MNIST, 見如下代碼：
from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data", one_hot=True)
其中"MNIST_data"爲保存MNIST數據的文件夾名，其中還會遇到
ModuleNotFoundError: No module named 'tensorflow.examples.tutorials'
這個問題，則需要參考小編博客的處理文章：
https://blog.csdn.net/qq_43060552/article/details/103189040
MNIST 數據集中的圖片
MNIST 數據集中的圖片是28X 28 Pixel, 所以，每一幅圖就是1 行784 ( 28X28) 列
的數據， 括號中的每一個值代表一個像素。
• 如果是黑白的圖片，圖片中黑色的地方數值爲0 ; . 有圖案的地方，數值爲O r-,....; 255
之間的數字， 代表其顏色的深度。
• 如果是彩色的圖片， 一個像素會由3 個值來表示RGB C 紅、黃、藍） 。
輸出MNIST 裏面的信息
代碼：
# -*- coding: utf-8 -*-"""Created on Thu Nov 21 16:38:15 2019 @author: Cable-Ching"""from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data", one_hot=True)print ( ' 輸入數據：', mnist.train.images)print ( ' 輸入數據打shape :', mnist.train.images.shape)import pylabim = mnist.train.images[1]im = im.reshape(-1 ,28)pylab.imshow(im)pylab.show()
結果
Extracting MNIST_data\train-images-idx3-ubyte.gzExtracting MNIST_data\train-labels-idx1-ubyte.gzExtracting MNIST_data\t10k-images-idx3-ubyte.gzExtracting MNIST_data\t10k-labels-idx1-ubyte.gz輸入數據：[[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]...[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]]輸入數據打shape : (55000, 784)
——————想跟着博主學習python，tensorflow可以關注微信公衆號 : 碼奮
