提示：建議先看day36-38的內容

TensorFlow™ 是一個採用資料流圖（data flow graphs），用於數值計算的開源軟體庫。節點（Nodes）在圖中表示數學操作，圖中的線（edges）則表示在節點間相互聯絡的多維資料陣列，即張量（tensor）。它靈活的架構讓你可以在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU），伺服器，移動裝置等等。

TensorFlow 最初由Google大腦小組（隸屬於Google機器智慧研究機構）的研究員和工程師們開發出來，用於機器學習和深度神經網路方面的研究，但這個系統的通用性使其也可廣泛用於其他計算領域。

1、安裝庫tensorflow

有些教程會推薦安裝nightly，它適用於在一個全新的環境下進行TensorFlow的安裝，預設會把需要依賴的庫也一起裝上。我使用的是anaconda，本文我們安裝的是純淨版的tensorflow，非常簡單，只需開啟Prompt：

pip install tensorflow

安裝成功

匯入成功

#匯入keras
from tensorflow import keras
#匯入tensorflow
import tensorflow as tf

注：有些教程中匯入Keras用的是import tensorflow.keras as keras會提示No module named 'tensorflow.keras'

2、匯入mnist資料

在上篇文章中我們已經提到過 MNIST 了，用有趣的方式解釋梯度下降演算法
它是一個收錄了許多 28 x 28 畫素手寫數字圖片（以灰度值矩陣儲存）及其對應的數字的資料集,可以把它理解成下圖這個樣子：

由於眾所周知的原因，Keras自帶minist資料集下載會報錯，無法下載。部落格園崔小秋同學給出了很好的解決方法：

1、找到本地keras目錄下的mnist.py檔案，通常在這個目錄下。

2、下載mnist.npz檔案到本地，下載連結如下。
https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q
3、修改mnist.py檔案為以下內容，並儲存

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from ..utils.data_utils import get_file
import numpy as np

def load_data(path='mnist.npz'):
    """Loads the MNIST dataset. # Arguments
        path: path where to cache the dataset locally
            (relative to ~/.keras/datasets).

    # Returns
        Tuple of Numpy arrays: `(x_train, y_train), (x_test, y_test)`.
    """
    path = 'E:/Data/Mnist/mnist.npz' #此處的path為你剛剛存放mnist.py的目錄。注意斜槓
    f = np.load(path)
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']
    f.close()
    return (x_train, y_train), (x_test, y_test)

看一下資料

mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
print(x_train[0].shape)

(28, 28)

import matplotlib.pyplot as plt
plt.imshow(x_train[0],cmap=plt.cm.binary)
plt.show()

print(y_train[0])

5
對資料進行歸一化處理

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

再看一下，影象的畫素值被限定在了 [0,1]

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

3 構建與訓練模型我們使用 Keras 的 Sequential 模型（順序模型），順序模型是多個網路層的線性堆疊。本文旨在介紹TensorFlow 及Keras用法，不再展開，有興趣的同學們學習其具體用法，可以參考Keras文件：
https://keras.io/zh/getting-started/sequential-model-guide/

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(128, activation=tf.nn.relu))
model.add(tf.keras.layers.Dense(10, activation=tf.nn.softmax))
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3)

我們構建出的模型大概是這個樣子的，區別是我們的隱藏層有128個單元

在訓練的過程中，我們會發現損失值（loss）在降低，而準確度（accuracy）在提高，最後達到了一個令人滿意的程度。
Epoch 1/3
60000/60000  - 8s 127us/step - loss: 0.2677 - acc: 0.9211Epoch 2/3
60000/60000  - 8s 130us/step - loss: 0.1106 - acc: 0.9655Epoch 3/3
60000/60000  - 8s 136us/step - loss: 0.0751 - acc: 0.9764

4 測試模型

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

10000/10000  - 0s 45us/step0.0916121033909265
0.9713
損失和準確度看起來還湊合，嘗試識別訓練集

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

用 argmax 解析一下（就是找出最大數對應的索引，即為識別出的數字）

import numpy as np
print(np.argmax(predictions[0]))

7

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

OK，模型可以識別數字了。
5、儲存模型
主要用於模型的儲存和恢復。

model.save('epic_num_reader.model')
# 載入儲存的模型
new_model = tf.keras.models.load_model('epic_num_reader.model')
# 測試儲存的模型
predictions = new_model.predict(x_test)print(np.argmax(predictions[0]))

看到這裡的都是真愛，另推薦一個Keras教程

Colab超火的Keras/TPU深度學習免費實戰，有點Python基礎就能看懂的快速課程

參考：

https://www.cnblogs.com/shinny/p/9283372.html

https://www.cnblogs.com/wj-1314/p/9579490.html

https://github.com/MLEveryday/100-Days-Of-ML-Code/blob/master/Code/Day%2039.ip