1、轻量级

2、python语言进行编写

训练步骤：

1、下载数据集

2、编写训练程序

3、训练模型

4、验证训练的模型

调用步骤

1、使用训练好的模型

2、定义参数

3、通过端进行传参（web前端页面、绘图仪、手写板）

4、数据验证并返回

暴露接口

可以使用TensorFlow Serving部署成grpc模式的接口

flask

整合步骤

1、训练生成模型

2、暴露接口

3、前端调用

4、验证并返回结果

完成了使用flask创建api接口，调用训练好的网络

进行网页端的手写数字识别

通过链接前端的界面

实现了卷积神经网络实时分类输入的手写数字

使用(255-x)/255将0到255的值转化到0到1之间

在flask中注册api的url

来调用训练好的模型

@app.route('/api/mnist', methods=['post'])
def mnist():
    input = ((255 - np.array(request.json, dtype=np.uint8)) / 255.0).reshape(1, 784)
    output1 = regression(input)
    output2 = convolutional(input)
    return jsonify(results=[output1, output2])


if __name__ == '__main__':
    app.run()

完成卷积神经网络的训练

with tf.Session() as sess:
    merged_summary_op = tf.summary.merge_all()
    summary_writer = tf.summary.FileWriter('/tmp/mnist_log/1', sess.graph)
    summary_writer.add_graph(sess.graph)

    sess.run(tf.global_variables_initializer())
    for i in range(20000):
        batch = data.train.next_batch(50)
        if i % 100 == 0:
            train_accuracy = accuracy.eval(feed_dict={x: batch[0], _y: batch[1], keep_prob: 1.0})
            print("step %d, train accuracy=%d" % (i, train_accuracy))
        sess.run(train_step, feed_dict={x: batch[0], _y: batch[1], keep_prob: 0.5})
        print(sess.run(accuracy, feed_dict={x: data.test.images, _y: data.test.labels, keep_prob: 1.0}))
        path = saver.save(sess, os.path.join(os.path.dirname(__file__), 'data', 'convalution.ckpt'),
                          write_meta_graph=False, write_state=False)
        print("Saved:", path)

在卷积层中调用模型文件

from mnist import model
data = read_data_sets('MNIST_data', one_hot=True)
with tf.variable_scope('convolutional'):
    x = tf.placeholder(tf.float32, [None, 784])
    keep_prob = tf.placeholder(tf.float32)
    y, variables = model.convolutional(x,keep_prob)

_y = tf.placeholder(tf.float32, [None, 10])
cross_entropy = -tf.reduce_sum(_y * tf.log(y))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(_y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
saver=tf.train.Saver(variables)
with tf.Session() as sess:
    merged_summary_op = tf.summary.merge_all()
    summary_writer = tf.summary.FileWriter('/tmp/mnist_log/1', sess.graph)
    summary_writer.add_graph(sess.graph)

完成剩余的卷积神经网络模型

W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)

W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
y = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)

return y, [W_conv1, b_conv1, W_conv2, b_conv2, W_fc1, b_fc1, W_fc2, b_fc2]

简单构建cnn的网络

def convolutional(x, keep_prob):
    def conv2d(x, W):
        return tf.nn.conv2d([1, 1, 1, 1], padding='SAME')

    def max_pool_2x2(x):
        return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

    def weight_variable(shape):
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)

    def bias_variable(shape):
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial)

    x_image = tf.reshape(x, [-1, 28, 28, 1])
    W_conb1 = weight_variable([5, 5, 1, 32])
    b_conv1 = bias_variable([32])
    h_conv1 = tf.nn.relu(conv2d(x_image, W_conb1) + b_conv1)
    h_pool1 = max_pool_2x2(h_conv1)

完成线性模型的构建

import tensorflow as tf
import os
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

from mnist import model

data = read_data_sets('MNIST_data', one_hot=True)
with tf.variable_scope('regression'):
    x = tf.placeholder(tf.float32, [None, 784])
    y, variables = model.regression(x)

_y = tf.placeholder('float', [None, 10])
cross_entropy = -tf.reduce_sum(_y * tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(_y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
saver=tf.train.Saver(variables)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for _ in range(1000):
        batch_xs,batch_ys=data.train.next_batch(100)
        sess.run(train_step,feed_dict={x:batch_xs,_y:batch_ys})
    print(sess.run(accuracy,feed_dict={x:data.test.images,_y:data.test.labels}))

    path=saver.save(sess,os.path.join(os.path.dirname(__file__),'data','regression.ckpt'),write_meta_graph=False,write_state=False)
    print('Saver:'+path)

最终保存了训练好的模型

进行模型的构建

先是线性模型

import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets

from mnist import model

data = read_data_sets('MNIST_data', one_hot=True)
with tf.variable_scope('regression'):
    x = tf.placeholder(tf.float32, [None, 784])
    y, variables = model.regression(x)

_y = tf.placeholder('float', [None, 10])
cross_entropy = -tf.reduce_sum(_y * tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(_y, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

使用tensorflow提供的函数来

下载官方的mnist数据集

flask一种轻量的web框架

 训练好模型

使用flask来调用模型

mnist数据集是手写数字数据集

包含0到9的手写数字图片

可以用来训练深度学习网络

tensorflow是一个深度学习库

支持cnn rnn lstm等

可以实现语音识别和图像识别

将人工智能与现有的技术相结合

可以进一步提高使用体验

tensorflow与flask结合

MNIST

整合步骤。

MNIST

TensorFlow

人工智能。

MNIST数据集

怎么没人呢

我就过来看看

1.首先使用mnist来input数据，之后建立模型，调用模型，训练模型，把模型结果保存，然后在main.py中把模型拿出来取用，然后前端传进来之后调用模型。

2.还可以引申来分类一些图像，分类一些动物，做自然语言处理，来做一个聊天机器人，或者训练生成古诗词，都可以使用上面的方法。我们只要把模型训练好之后，通过Flask调用模型载入进来，白鹭给API的接口，供我们后期的使用。

1.启动之后需要调用，如何调用呢？需要编写一个前端界面。

2.写好前端页面之后需要将index.html和main.py绑定。

@app.route('/')     # 将index.html和main.py绑定

def main():

    return render_template('index.html')

3.在这个项目中，数据是如何传递的呢以及如何进行交互的呢？

数据在前端界面输入后，先传到main.js，使用data来进行转换格式和传到后台，调用模型之后把结果放到output1和output2，打包成json格式返回给前端，展示。