基于Tensorflow的MINIST手写体识别_minist 手写字符串-CSDN博客

本文链接：https://blog.csdn.net/Emperor10/article/details/115318682

本文介绍了使用Tensorflow进行MINIST手写体识别的步骤，包括数据集下载、图片保存、标签打印和Softmax回归模型的实现。通过创建文件夹保存图片、reshape操作、独热编码以及Softmax函数，实现对手写数字的识别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

MINIS手写体识别相当于机器学习中的Hello world，作为深度学习领域的入门任务是初学者的首选。

数据集下载 download.py

1. MINIST数据集

MINIST数据集是一个图片压缩包，包含大量手写数字图片；
其中一个数据样本有两部分构成：手写图片和label;
在这里插入图片描述
数据集每个样本都是（1，784）维度的图片，为了方便展示就像下图一样画成二维矩阵，实际上后面要将向量转换为28*28的二维矩阵；

2. 读取数据

TensorFlow为了教学MNIST而提前编制了程序，所以只需两行代码就可自动下载数据集文件

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 从MNIST_data/中读取MNIST数据,这条语句在数据不存在时，会自动执行下载

运行后可以在相应目录下查看到如下数据压缩包
在这里插入图片描述

3. 打印数据集基本信息

数据集可分为：

训练集	测试集	验证集
minist.train	minist.test	minist.validation
55,000	10,000	5,000
训练模型	多次使用调参	评估模型

将MINIST保存为图片 save_pic.py

1. 创建文件夹保存原始图片

save_dir = 'MNIST_data/raw/'
if os.path.exists(save_dir) is False:  # 判断save_dir文件是否存在
    os.makedirs(save_dir) # os.makedirs()方法用于递归创建目录

2. reshape图片

 # 注意:mnist.train.images[i, :]就表示第i张图片（序号从0开始）
    image_array = mnist.train.images[i, :]
    # TensorFlow中的MNIST图片是一个784维的向量，我们重新把它还原为28x28