一、前言

前面用TensorFlow浅做了一个温度预测，使用的是全连接网络，同时我们还对网上的示例做了调试和修改，使得预测结果还能看。本篇我们更进一步使用CNN（卷积）网络，不过再预测温度就有点大材小用，所以本篇是做手写数字的识别。

手写数字识别是非常经典的分类问题，是入门必备的，门槛又比猫狗识别低很多（猫狗图片太大需要的计算资源太大）。

二、数据准备

手写数字识别由于过于经典，所以TensorFlow已经自带了mnist数据集，所以也不用我们自己去找数据来训练。

下面的简单代码可以自动下载mnist数据集，可以看到这个数据集是由28x28像素的图片组成，训练集有6W个图片，测试集有1W个图片，另外配套有等量的label。这里的x是图片，y是图片的值。

将x数据用图片输出，y数据先转为one-hot格式再输出。one-hot是做分类任务必备的，否则网络很难收敛，有兴趣的可以自己试下。

我们再将图片的数值输出来看，会发现5这个图片，其实是可以用数字矩阵来数字化的。矩阵中数值为0的地方就是纯黑色，数值为255的地方就是纯白色，10、20、30这种就是渐变的灰色。

三、构建网络

使用下面的代码构建了一个简单的CNN网络，甚至没有使用到激活函数。

与全连接层相比较：

1）CNN是layers.Conv2D，全连接层是layers.Dense

2）参数有很大不同，全连接层没这么多参数要设置，以后再详细介绍参数

1. Filters 卷积核个数
2. Kernel_size 卷积核尺寸
3. Padding 边缘填充设置
4. Input_shape 输入尺寸限制

3）有一个池化层

4）最后还是需要一个全连接层来得到一维的结果

5）直接输入的是二维数组，而不是一维数组。

四、训练

训练使用的参数与之前没什么区别，训练了100次就收敛的挺不错，而且没有明显的过拟合。

五、预测

这里我输出了前5个数字的识别，由于Y是one-hot格式，所以输出结果的格式是每一个“位”都输出一个值，这个值描述的是，图片数值在该位的概率。

以第一个数为例：

[ 0.04167002  0.05634148 -0.03675765 -0.06590495  0.06823181 -0.0774302

   0.08698683  0.93804836 -0.06439071  0.16399711]

其含义是图片数字为0的概率是0.04167002，1的概率是0.05634148，7的概率是0.93804836。所以我们取最高概率位即可，也就是7。

六、回顾

由于有了前面温度预测的基础，这里我们只是简单过一下代码，后面的篇幅再详细说。