提示：建議先看day36-38的內容
TensorFlow™ 是一個采用數據流圖（data flow graphs），用於數值計算的開源軟件庫。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系的多維數據數組，即張量（tensor）。它靈活的架構讓你可以在多種平台上展開計算，例如台式計算機中的一個或多個CPU（或GPU），服務器，移動設備等等。
TensorFlow 最初由Google大腦小組（隸屬於Google機器智能研究機構）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絡方面的研究，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，默認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凈版的tensorflow，非常簡單，只需打開Prompt：
pip install tensorflow
安裝成功
導入成功
#導入keras
from tensorflow import keras
#導入tensorflow
import tensorflow as tf
注：有些教程中導入Keras用的是import tensorflow.keras as keras會提示No module named 'tensorflow.keras'
2、導入mnist數據
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算法
它是一個收錄了許多 28 x 28 像素手寫數字圖片（以灰度值矩陣存儲）及其對應的數字的數據集,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數據集下載會報錯，無法下載。博客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文件，通常在這個目錄下。
2、下載mnist.npz文件到本地，下載鏈接如下。
https://pan.baidu.com/s/1C3c2Vn-_616GqeEn7hQQ2Q
3、修改mnist.py文件為以下內容，並保存
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。注意斜杠
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)
看一下數據
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
對數據進行歸一化處理
x_train = tf.keras.utils.normalize(x_train, axis=1)
x_test = tf.keras.utils.normalize(x_test, axis=1)
再看一下，圖像的像素值被限定在了 [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），順序模型是多個網絡層的線性堆疊。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文檔：
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，而准確度（accuracy）在提高，最后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
損失和准確度看起來還湊合，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、保存模型
主要用於模型的存儲和恢復。
model.save('epic_num_reader.model')
# 加載保存的模型
new_model = tf.keras.models.load_model('epic_num_reader.model')
# 測試保存的模型
predictions = new_model.predict(x_test)print(np.argmax(predictions[0]))
看到這里的都是真愛，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 39.ipynb