一、前期准备

1.1 环境配置

详情请见博主的另一篇文章

深度学习21天——准备（环境配置）_清园暖歌的博客-CSDN博客

1.2 CPU和GPU

1.2.1 CPU

CPU(Central Processing Unit-中央处理器),是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（ Control Unit）。它的功能主要是解释计算机指令以及处理计算机软件中的数据。

1.2.2 GPU

GPU（Graphics Processing Unit-图形处理器），是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。

1.2.3 CPU和GPU的区别

（1）缓存

CPU有大量的缓存结构，目前主流的CPU芯片上都有四级缓存，这些缓存结构消耗了大量的晶体管，在运行的时候需要大量的电力。

GPU的缓存就很简单，目前主流的GPU芯片最多有两层缓存，而且GPU可以利用晶体管上的空间和能耗做成ALU单元，因此GPU比CPU的效率要高一些。

（2）响应方式

CPU要求的是实时响应，对单任务的速度要求很高，所以就要用很多层缓存的办法来保证单任务的速度。

GPU是把所有的任务都排好，然后再批处理，对缓存的要求相对很低。

（3）浮点运算方式

CPU除了负责浮点整形运算外，还有很多其他的指令集的负载，比如像多媒体解码，硬件解码等，因此CPU是多才多艺的。CPU注重的是单线程的性能，要保证指令流不中断，需要消耗更多的晶体管和能耗用在控制部分，于是CPU分配在浮点计算的功耗就会变少。

GPU基本上只做浮点运算的，设计结构简单，也就可以做的更快。GPU注重的是吞吐量，单指令能驱动更多的计算，相比较GPU消耗在控制部分的能耗就比较少，因此可以把电省下来的资源给浮点计算使用。

（4）应用方向

CPU所擅长的像操作系统这一类应用，需要快速响应实时信息，需要针对延迟优化，所以晶体管数量和能耗都需要用在分支预测、乱序执行、低延迟缓存等控制部分。

GPU适合对于具有极高的可预测性和大量相似的运算以及高延迟、高吞吐的架构运算。

所以，我们在做深度学习时，有条件尽量使用gpu，更有效率、节能

第一步：设置GPU

import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")if gpus:gpu0 = gpus[0] #如果有多个GPU，仅使用第0个GPUtf.config.experimental.set_memory_growth(gpu0, True) #设置GPU显存用量按需使用tf.config.set_visible_devices([gpu0],"GPU")

1.3 MNIST 手写数字数据集

MNIST是一个公开的数据集，获取网址为MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges（下载后需解压）

mnist 是一个包含 60,000 个 28x28 的 10 位灰度图像的数据集，以及一个包含 10,000 个图像的测试集。更多信息可以在 MNIST 主页上找到

第二步：导入数据

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

train_images:uint8 具有形状的灰度图像数据的 NumPy 数组(60000, 28, 28)，包含训练数据。像素值范围从 0 到 255。

train_labels:uint8 NumPy 数字标签数组(0-9 范围内的整数)与形状(60000,)对于训练数据。

test_images:uint8 NumPy 灰度图像数据数组，形状为 (10000, 28, 28)，包含测试数据。像素值范围从 0 到 255。

test_labels:uint8 NumPy 数字标签数组(0-9 范围内的整数)与形状(10000,)为测试数据。

(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
assert x_train.shape == (60000, 28, 28)
assert x_test.shape == (10000, 28, 28)
assert y_train.shape == (60000,)
assert y_test.shape == (10000,)

1.4 归一化

归一化是为了消除量纲，因为数据都是 0-255 的像素值，所以这里除以 255

第三步：归一化

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
"""
输出：((60000, 28, 28), (10000, 28, 28), (60000,), (10000,))
"""

二、其他代码理解

2.1 可视化图片

第四步：可视化

plt.figure(figsize=(20,10))    # 生成指定宽和高的画布（20，10）
for i in range(20):plt.subplot(5,10,i+1)      # 生成5行10列位置，这个是第i+1个plt.xticks([])             # 横坐标刻度为空plt.yticks([])             # 纵坐标刻度为空plt.grid(False)            # False：设置背景网格线不显示plt.imshow(train_images[i], cmap=plt.cm.binary) # 显示第i个图片，binary为黑白色（二值）plt.xlabel(train_labels[i]) # 显示第i个标签
plt.show()

(1)figure语法说明

figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True)
num:图像编号或名称，数字为编号，字符串为名称
figsize:指定figure的宽和高，单位为英寸；
dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80 1英寸等于2.5cm,A4纸是 21*30cm的纸张
facecolor:背景颜色
edgecolor:边框颜色
frameon:是否显示边框

参考plt.figure()参数使用详解及运行演示_超级-马里奥的博客-CSDN博客_plot.figure

2.2 调整图片格式

第五步：调整图片格式

#调整数据到我们需要的格式
train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))train_images.shape,test_images.shape,train_labels.shape,test_labels.shape
"""
输出：((60000, 28, 28, 1), (10000, 28, 28, 1), (60000,), (10000,))
"""

reshape的第四个参数可能是排序：顺序或逆序，不确定

2.3 构建CNN网络

2.3.1 卷积神经网络（CNN）

以下概念摘自学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇_新四石路打卤面的博客-CSDN博客_图解卷积神经网络

CNN是一种带有卷积结构的前馈神经网络，卷积结构可以减少深层网络占用的内存量，其中三个关键操作——局部感受野、权值共享、池化层，有效的减少了网络的参数个数，缓解了模型的过拟合问题。

卷积层和池化层一般会取若干个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。由于卷积层中输出特征图的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和再加上偏置值，得到该神经元输入值，该过程等同于卷积过程，CNN也由此而得名1。

CNN主要应用于图像识别（计算机视觉，CV），应用有：图像分类和检索、目标定位检测、目标分割、人脸识别、骨骼识别和追踪，具体可见MNIST手写数据识别、猫狗大战、ImageNet LSVRC等，还可应用于自然语言处理和语音识别。
总的来说，CNN是为了解决两个难题：① 图像需要处理的数据量太大，导致成本很高，效率很低；② 图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。

2.3.2 主要结构

CNN主要包括以下结构：

（1）输入层(Input layer)：输入数据；
（2）卷积层(Convolution layer，CONV)：使用卷积核进行特征提取和特征映射；
（3）激活层：非线性映射（ReLU)
（4）池化层(Pooling layer，POOL)：进行下采样降维；
（5）光栅化(Rasterization)：展开像素，与全连接层全连接，某些情况下这一层可以省去；
（6）全连接层(Affine layer / Fully Connected layer，FC)：在尾部进行拟合，减少特征信息的损失；
（7）激活层：非线性映射（ReLU)
（8）输出层(Output layer)：输出结果。
其中，卷积层、激活层和池化层可叠加重复使用，这是CNN的核心结构。

在经过数次卷积和池化之后，最后会先将多维的数据进行“扁平化”，也就是把(height,width,channel)的数据压缩成长度为height × width × channel的一维数组，然后再与FC层连接，这之后就跟普通的神经网络无异了。

具体每个层的内容就直接到我上面转的那个博主的文章看吧

第六步：构建CNN网络模型

model = models.Sequential([layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),#卷积层1，卷积核3*3layers.MaxPooling2D((2, 2)),                   #池化层1，2*2采样layers.Conv2D(64, (3, 3), activation='relu'),  #卷积层2，卷积核3*3layers.MaxPooling2D((2, 2)),                   #池化层2，2*2采样layers.Flatten(),                              #Flatten层，连接卷积层与全连接层layers.Dense(64, activation='relu'),           #全连接层，特征进一步提取layers.Dense(10)                               #输出层，输出预期结果
])
# 打印网络结构
model.summary()

下图来自深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天_K同学啊的博客-CSDN博客

（1）layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))：

其他参数参考：TensorFlow 之 keras.layers.Conv2D( ) 主要参数讲解_分发吧的博客-CSDN博客_layers.conv2d

32：32个核

（3，3）：卷积核大小为3×3

activation='relu'：激活函数

input_shape：根据名称判断该参数应该是单个数据的shape值

此外步长未指定，应该是默认的 1

relu激活函数

公式: f ( x ) = m a x ( 0 , x )

图像：

1. 为什么要用ReLU激活函数
由于sigmoid函数在输入远离中心点时导数会很小，会出现梯度消失的现象。使用ReLU激活函数时则不会出现梯度消失的现象。
但是当输入为负数时ReLU函数会死掉，拐点不可导。所以需要做特殊处理。

转自文章：“智能”（5）——ReLU激活函数&卷积神经网络_Nevey-Chen的博客-CSDN博客_activation='relu

sigmoid函数：f（x）= 1/（1+e^(-z)）

（2）layers.MaxPooling2D((2, 2))

设置池化层的尺寸为 2×2

其他参数参考：CNN中的最大池化（MaxPool2D）的参数和含义，_园游会的魔法糖的博客-CSDN博客_maxpooling2d

（3）models.Sequential

Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构

tensorflow中tf.keras.models.Sequential()用法_yunfeather的博客-CSDN博客_models.sequential()

（4）layers.dense

tf.layers.dense用于添加一个全连接层。
函数如下：

tf.layers.dense(inputs,                    #层的输入units,                    #该层的输出维度activation=None,        #激活函数use_bias=True,            kernel_initializer=None,      # 卷积核的初始化器bias_initializer=tf.zeros_initializer(),  # 偏置项的初始化器kernel_regularizer=None,    # 卷积核的正则化bias_regularizer=None,        # 偏置项的正则化activity_regularizer=None, kernel_constraint=None,bias_constraint=None,trainable=True,name=None,  # 层的名字reuse=None  # 是否重复使用参数
)

部分参数解释：
inputs：输入该层的数据。
units：该层的输出维度。
activation：激活函数。
use_bias：是否使用偏置项。
trainable=True:表明该层的参数是否参与训练。
tf.layers.dense的使用方法_Bubbliiiing的博客-CSDN博客_layers.dense

2.3.3 编译模型

第七步：编译模型

"""
这里设置优化器、损失函数以及metrics
这三者具体介绍可参考博客：
https://blog.csdn.net/qq_38251616/category_10258234.html
"""
model.compile(optimizer='adam',loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),metrics=['accuracy'])

https://blog.csdn.net/qq_38251616/category_10258234.html

tensorflow中model.compile()用法_yunfeather的博客-CSDN博客_model.compile

adam算法介绍和总结_Only_whitecat的博客-CSDN博客_adam 算法

简而言之，adam算法可以在传统梯度下降算法的基础上，能够自适应的改变学习率

2.3.4 训练模型

plt.imshow(test_images[1])

第八步：训练模型

"""
这里设置输入训练数据集（图片及标签）、验证数据集（图片及标签）以及迭代次数epochs
关于model.fit()函数的具体介绍可参考博客：
https://blog.csdn.net/qq_38251616/category_10258234.html
"""
history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))