√mnist 数据集 ：包含 7 7 万张 黑底白字手写数字 图片， 其中 0 55000 张为训练集 ，
5000 张为验证集，10 0000 张 为测试集 。每张图片大小为 28*28 像素，图片中 纯 黑
色像素 值为 0 ， 纯 白色像素值为 1 。数据集 的 标 签是长度为 10 的一维数组，数组
中每个元素 索引号 表示对应数字 出现的概率 。

在将 mnist 数据集作为输入喂入神经网络时，需先将数据集中每张图片变为长度
784 一维数组，将该数组作为神经网络输入特征喂入神经网络。

例如：
一张数字手写体图片变成长度为 784 的一维数组[0.0.0.0.0.231 0.235 0.459
……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0.
0.0]，标签中索引号为 6 的元素为 1，表示是数字 6 出现的概率为 100%，则该图
片对应的识别结果是 6。

√ 使用 input_data 模块中的 read_data_sets( () )函数 加载 mnist 数据集：

from tensorflo w.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets( ’ ./data/’,one_hot=True)

在 read_data_sets()函数中有两个参数，第一个参数表示数据集存放路径，第
二个参数表示数据集的存取形式。当第二个参数为 Ture 时，表示以独热码形式
存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据
集，若指定路径中没有数据集，则自动下载，并将 mnist数据集分为训练集 train、
验证集 validation 和测试集 test 存放。在终端显示如下内容：

Extracting ./data/train-images-idx3-ubyte.gz
Extracting ./data/train-labels-idx1-ubyte.gz
Extracting ./data/tl0k-images-idx3-ubyte.gz
Extracting ./data/ tl0k-labels-idx1-ubyte.gz

√ 返回 mnist 数据集中 训练集 train 、验证集 n validation 和测试集 test 样本数
在 Tensorflow 中用以下函数返回子集样本数：
① 返回 训练集 train 样本数

print “train data size:”,mnist.train.mun_examples

输出结果：

train data size:55000

②返回 验证集 validation 样本数

print “ va lidation d ata  size:”,mnist. validation .mun_examples

输出结果：validation data size:5000
③返回 测试集 test 样本数

print “test data size:”,mnist.test.mun_examples

输出结果：test data size:10000
√ 使用 train.labels 函数 返回mnist 数据集 标签

例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片的标签，则使用如下函数

mnist.train.labels[0]

输出结果：

array([0.,0.,0.,0.,0.,0.,1.,0.,0.,0])

√ 使用 train.images 函数 返回 mnist 数据集 图片 像素值

例如：
在 mnist 数据集中，若想要查看训练集中第 0 张图片像素值，则使用如下函数

mnist.train.images[0]

输出结果：

array([0. ,0. ,0. ,
0. ,0. ,0. ,
0. ,0. ,0. ,
… … …])

√ 使用 mnist.train.next_batch( () ) 函数将数据输入 神经网络
例如：

BATCH_SIZE = 200
xs,ys = mnist.train.next_batch(BATCH_SIZE)
print “xs shape:”,xs.shape
print “ys shape:”,ys.shape

输出结果：xs.shape(200,784)
输出结果：ys.shape(200,10)

其中，mnist.train.next_batch()函数包含一个参数 BATCH_SIZE，表示随机从训
练集中抽取 BATCH_SIZE 个样本输入神经网络，并将样本的像素值和标签分别赋
给 xs 和 ys。在本例中，BATCH_SIZE 设置为 200，表示一次将 200 个样本的像素
值和标签分别赋值给 xs 和 ys，故 xs 的形状为(200,784)，对应的 ys 的形状为
(200,10)。

实现“ Mnist 数据集手写数字识别 ”的常用函数：

① tf. . get_collection(“”) 函数表示从 从 collection 集合中取出全部变量生成
一个列表 。
② tf. . add( ) ) 函数表示将参数 列表 中 对应元素相加 。

x=tf.constant([[1,2],[1,2]])
y=tf.constant([[1,1],[1,2]])
z=tf.add(x,y)
print z

输出结果：

[[2,3],[2,4]]

③ tf. . cast(x,dtype)

函数表示将参数 x 转换为指定 数据 类型 。
例如：

A = tf.convert_to_tensor(np.array([[1,1,2,4], [3,4,8,5]]))
print A.dtype
b = tf.cast(A, tf.float32)
print b.dtype

结果输出：

<dtype: 'int64'>
<dtype: 'float32'>

从输出结果看出，将矩阵 A 由整数型变为 32 位浮点型

④ tf.equal( ) ) 函数表示对比两个矩阵或者向量的元素。若对应元素相等，则返
回 回 True ；若对应元素不相等，则返回 False 。
例如：

A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session( ) as sess:
    print(sess.run(tf.equal(A, B)))

输出结果：

[[ True True True False False]]

在矩阵 A 和 B 中，第 1、2、3 个元素相等，第 4、5 个元素不等，故输出结果中，
第 1、2、3 个元素取值为 True，第 4、5 个元素取值为 False。

⑤ tf.reduce_mean( x,axis) ) 函数表示求取矩阵或张量指定维度的平均值。 若 不
指定第二个参数， 则 在所有元素中取平均值 ；若 指定第二个参数为 0 0 ，则 在 第一
维元素 上 取平均值，即每一列求平均值 ；若 指定第二个参数为 1 1 ，则 在 第二维元
素 上 取平均值，即每一行求平均值 。

x = [[1., 1.]
[2., 2.]]
print(tf.reduce_mean(x))
输出结果：1.5
print(tf.reduce_mean(x, 0))
输出结果：[1.5, 1.5]
print(tf.reduce_mean(x, 1))
输出结果：[1., 1.]

⑥ tf. . argmax(x,axis) 函数表示 返回 指定维度 asxis 下，参数 x 中 最大值索引号 。
例如：

在 tf.argmax([1,0,0],1)函数中，axis 为 1，参数 x 为[1,0,0]，表示在参数 x
的第一个维度取最大值对应的索引号，故返回 0。

⑦ os.path.join () 函数表示 把 参数 字符串按照路径命名规则拼接。

import os
os.path.join('/hello/','good/boy/','doiido')

输出结果：'/hello/good/boy/doiido'

⑧ 字符串. . split( ) ) 函数表示定 按照指定 “ 拆分符 ” 对字符串拆分， ， 返回拆分列表 。

'./model/mnist_model-1001'.split('/')[-1].split('-')[-1]

在该例子中，共进行两次拆分。第一个拆分符为‘/’，返回拆分列表，并提取
列表中索引为-1 的元素即倒数第一个元素；第二个拆分符为‘-’，返回拆分列
表，并提取列表中索引为-1 的元素即倒数第一个元素，故函数返回值为 1001。

⑨ tf.Graph( ).as_default( ) ) 函数表示将当前图设置成为默认图，并返回一
个上下文管理器 。 该函数 一般与 w wh ith 关键字 搭配使用 ，应用于将 已经定义好
的 神经网络在计算图中复现。

例如：
with tf.Graph().as_default() as g，表示将在 Graph()内定义的节点加入到
计算图 g 中。

√ 神经网络模型的保存
在 反向传播过程中，一般会间隔一定轮数保存一次神经网络模型， 并产生三个
文件（ 保存当前图结构 的 .meta 文件 、 保存当前参数名 的.index 文件 、 保存当
前参数 的.data 文件 ） ，在 T ensorflow 中如下表示：

saver = tf.train.Saver()
with tf.Session() as sess:
    for i in range(STEPS):
        if i %  轮数 == 0:
            saver.save(sess, os.path.join(MODEL_SAVE_PATH,
                MODEL_NAME), global_step=global_step)

其中，tf.train.Saver()用来实例化 saver 对象。上述代码表示，神经网络每循
环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在
存放网络模型的文件夹名称中注明保存模型时的训练轮数。

√ 神经网络模型的加载
在测试网络效果时，需要将训练好的神经网络模型加载 ，在 T ensorflow 中 这
样 表示：

with tf.Session() as sess:
ckpt = tf.train.get_checkpoint_state( 存储路径) )
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess, ckpt.model_checkpoint_path)

在 with 结构中进行加载保存的神经网络模型，若 ckpt 和保存的模型在指定路
径中存在，则将保存的神经网络模型加载到当前会话中。
√ 加载模型中参数的滑动平均值
在保存模型时，若模型中采用滑动平均，则参数的滑动平均值会保存在相应文件
中。 通过实例化 saver r 对象 ， 实现参数滑动平均值的加载，在 T Tw ensorflow 中 如
下表示：

ema = tf.train.ExponentialMovingAverage( ( 滑动平均基数) )
ema_restore = ema.variables_to_restore()
saver = tf.train.Saver(ema_restore)

√ 神经网络模型准确率评估方法
在网络评估时，一般通过计算在一组数据上的识别准确率 ， 评估神经网络的 效
果 。在 Tensorflow 中 这样 表示：

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean( tf.cast(correct_prediction, tf.float32))

在上述中，y 表示在一组数据（即 batch_size 个数据）上神经网络模型的预测
结果，y 的形状为[batch_size,10]，每一行表示一张图片的识别结果。通过
tf.argmax()函数取出每张图片对应向量中最大值元素对应的索引值，组成长度
为输入数据 batch_size 个的一维数组。通过 tf.equal()函数判断预测结果张量
和实际标签张量的每个维度是否相等，若相等则返回 True，不相等则返回 False。
通 过 tf.cast() 函 数 将 得 到 的 布 尔 型 数 值 转 化 为 实 数 型 ， 再 通 过
tf.reduce_mean()函数求平均值，最终得到神经网络模型在本组数据上的准确率。