手寫數字圖片數字集
      機器學習需要從數據中間學習，因此首先需要采集大量的真實樣本數據。以手寫的數字圖片識別為例，我們需要收集大量的由真人書寫的0-9的數字圖片，為了便于存儲和計算，一般把收集的原始圖片縮放到某個固定的大小(Size或Shape),比如224個像素的行和224個像素的列(224x 224)，或者96個像素的行和96個像素的列(96x 96)，這張圖片將作為輸入數據x。同時，我們需要給每一張圖片標注一個標簽(Label)，它將作為圖片的真實值y，這個標簽表明這張圖片屬-一個具體的類別，一般通過映射方式將類別名–對應到從0開始編號的數字，比如說硬幣的正反面，我們可以用0來表示硬幣的反面，用1來表示硬幣的正面，當然也可以反過來1表示硬幣的反面，這種編碼方式叫作數字編碼(Number Encoding)。對于手寫數字圖片識別問題，編碼更為直觀，我們用數字的0-9表示類別為0-9的的圖片。

      現在我們來看下圖片的表示方法。一張圖片包含了h行(HeightRow), w列(Width/Column)，每個位置保存了像(Pixel)值，像素值一般使用0-255的整形數值來表達顏色強度信息，例如0表示強度最低，255 表示強度最高。如果是彩色圖片，則每個像素點包含了R、G、B三個通道的強度信息，分別代表紅色通道、綠色通道、藍色通道的顏色強度，所以與灰度圖片不同，它的每個像素點使用一個 1維、長度為3的向量(Vector)來表示，向量的3個元素依次代表了當前像素點上面的R、G、B顏色強值，因此彩色圖片需要保存為形狀是[h, w, 3]的張量(Tensor,可以通俗地理解為3維數組)。如果是灰度圖片，則使用一個數值來表示灰度強度，例如0表示純黑，255

總結

以上是生活随笔為你收集整理的tensorflow实现手写数字识别(MNIST)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。