MNIST手写识别

　　Demo侠可能是我等小白进阶的必经之路了，如今在AI领域，我也是个研究Demo的小白。用了两三天装好环境，跑通Demo，自学Python语法，进而研究这个Demo。当然过程中查了很多资料，充分发挥了小白的主观能动性，总算有一些收获需要总结下。

　　不多说，算法在代码中，一切也都在代码中。

 import os
 os.environ['TF_CPP_MIN_LOG_LEVEL'] = ''
 
 #获得数据集
 from tensorflow.examples.tutorials.mnist import input_data
 mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
 
 import tensorflow as tf
 
 #输入图像数据占位符
 x = tf.placeholder(tf.float32, [None, 784])
 
 #权值和偏差
 W = tf.Variable(tf.zeros([784, 10]))
 b = tf.Variable(tf.zeros([10]))
 
 #使用softmax模型
 y = tf.nn.softmax(tf.matmul(x, W) + b)
 
 #代价函数占位符
 y_ = tf.placeholder(tf.float32, [None, 10])
 
 #交叉熵评估代价
 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
 
 #使用梯度下降算法优化：学习速率为0.5
 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
 
 #Session(交互方式)
 sess = tf.InteractiveSession()
 
 #初始化变量
 tf.global_variables_initializer().run()
 
 #训练模型，训练1000次
 for _ in range(1000):
   batch_xs, batch_ys = mnist.train.next_batch(100)
   sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
 
 #计算正确率
 correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
 
 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
 print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

　　看完这个Demo，顿时感觉Python真是一门好语言，Tensorflow是一个好框架，就跟之前掌握Matlab以后，用Matlab做仿真的感觉一样。

　　为什么看这几行代码看了两三天，因为看懂很容易，但了解代码背后的意义更重要，如果把一个Demo看透了，那么后边举一反三就会很容易了，我向来就是这样学习的，本小白当年也是个学霸？！

　　来一起看下这里边有什么玄机和坑吧，记录一下，人老了记性不好（^-^）。

　　看到1,2行代码，不要懵，这个作用是设置日志级别，os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error，等于1是显示所有信息。不加这两行会有个提示（Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2，具体可以看这里）　

　　第5行是一个引用声明，从tensorflow.examples.tutorials.mnist 引用一个名为 input_data 的函数，可以看一下input_data是什么样子的：

 from __future__ import absolute_import
 from __future__ import division
 from __future__ import print_function
 
 import gzip
 import os
 import tempfile
 
 import numpy
 from six.moves import urllib
 from six.moves import xrange  # pylint: disable=redefined-builtin
 import tensorflow as tf
 from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

　　原来input_data里边也是引用声明，真正想用到的实际是tensorflow.contrib.learn.python.learn.datasets.mnist里的read_data_sets，看一下代码：

 def read_data_sets(train_dir,
                    fake_data=False,
                    one_hot=False,
                    dtype=dtypes.float32,
                    reshape=True,
                    validation_size=5000,
                    seed=None,
                    source_url=DEFAULT_SOURCE_URL):
   if fake_data:
   ...  
 
   if not source_url:  # empty string check
   ...
 
   local_file = base.maybe_download(TRAIN_IMAGES, train_dir,
                                    source_url + TRAIN_IMAGES)
   with gfile.Open(local_file, 'rb') as f:
     train_images = extract_images(f)
 
   ...
 
   if not 0 <= validation_size <= len(train_images):
     raise ValueError('Validation size should be between 0 and {}. Received: {}.'
                      .format(len(train_images), validation_size))
 
   validation_images = train_images[:validation_size]
   validation_labels = train_labels[:validation_size]
   train_images = train_images[validation_size:]
   train_labels = train_labels[validation_size:]
 
   options = dict(dtype=dtype, reshape=reshape, seed=seed)
 
   train = DataSet(train_images, train_labels, **options)
   validation = DataSet(validation_images, validation_labels, **options)
   test = DataSet(test_images, test_labels, **options)
 
   return base.Datasets(train=train, validation=validation, test=test)

　　mnist最终得到的是base.Datasets，完成了数据读取。这里边的细节还需要完了再仔细研究下。

　　顺便记录下自编的函数的定义方法：

 def Mycollect(My , thing):
 
     try:
         count = My[thing]
     except KeyError:
         count = 0
 
     return count
 
 from TestFunction import Mycollect
 My = {'a':10, 'b':15, 'c':5}
 thing = 'a'
 print(Mycollect(My , thing));

　　第11行的placeholder，需要注意下，是用了占位符，也就是先安排位置，而不先提供具体数据，也就是说都是模型（管道）的构建过程（这里用管道来类比，我觉得比较恰当）。注意下placeholder的语法就可以，指定了type和shape，这里的None表示有多少幅图片是未知的，也就是说样本数是未知的。这里的坑在于，如果我们用print看的话会发现，构建的是张量（Tensor）而不是矩阵，这里对熟悉matlab的同学来说可能是个坑。可以注意下张量的定义方式。

　　第14和15行是定义了变量，如果只看tf.zeros([10])的话也是个张量的，只是外边又加了变量的声明。所以后边可以直接乘的，这个也不难理解了。

　　第18行的matmul是张量相乘，然后使用了softmax模型，目的是把结果进行概率化。巧妙，只想说这两个字，这个就是进行归一化，搞算法这个是比较常用的，学校时候这个词很火，我们最终想得到的是一个指定的数组，所以用这个模型来匹配我的规则。

　　21行是什么，看完就知道是实际的输出，然后在24行做交叉熵。终于又碰到熵这个老朋友了。交叉熵简单理解为概率分布的距离，在这里作为一个loss_function。第27行使用了梯度下降来优化这个loss_function，最终是想找到最优时候的一个模型，这里的最优指的是通过这个模型，得到的结果和实际值最接近。

　　第30行，创建一个session。

　　第33行，初始化变量。

　　第37行，可以去看下next_batch的源码，作用是选取100个样本来训练。

　　第41行，注意equal函数的作用，第43行来做类型转换，然后取平均值。（代码很巧妙，很优雅，很爽）

　　最终第44行输出模型的准确率。

　　好了，这大概就是我的一点点总结了，算是入了个门，接下来我会更多的举一反三，深入掌握其精髓，我会努力走得更远。

　　作为一个小白，我要继续努力向大牛学习，吃饭去咯，下周再战。