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。

1.线性模型和卷积模型都已经训练完成，现在需要暴露接口供前端界面调用。

2.如何编写接口呢？写在main.py:

import numpy as np

import tensorflow as tf

from flask import Flask, jsonify, render_template, request

from mnist import model

x = tf.placeholder('float', [None, 784])    # 声明输入

sess = tf.Session()     # 定义一个Session

# 拿线性回归模型，ckpt

with tf.variable_scope('regression'):

    y1, variables = model.regression(x)

saver = tf.train.Saver(variables)

saver.restore(sess, 'mnist/data/regression.ckpt')   # 通过restore方法把模型文件拿出来

# 拿卷积模型和线性同样的方法

with tf.variable_scope('convolutional'):

    keep_prob = tf.placeholder('float')

    y2, variables = model.convolutional(x, keep_prob)

saver = tf.train.Saver(variables)

saver.restore(sess, 'mnist/data/convolutional.ckpt')

def regression(input):

    return sess.run(y1, feed_dict={x: input}).flatten().tolist()    # 转换成list

def convolutional(input):

    return sess.run(y2, feed_dict={x: input, keep_prob: 1.0}).flatten().tolist()

# 以上步骤之后，两个模型的输入以及如何把数据喂进来以及如何跑这个模型已经完成

# 做接口，用Flask

app = Flask(__name__)

@app.route('/api/mnist', methods=['post'])   # 定义一个注解，路由，表示前端传进来之后应该用哪个接口

def mnist():

    input = ((255 - np.array(request.json, dtype=uint8)) / 255.0).reshape(1, 784)     # 做一个数组的换算，我们模型定义的形状就是1*784的形状

    output1 = regression(input)

    output2 = convolutional(input)

    return jsonify(results=[output1, output2])  # 把结果封装一下

# 定义一个方法来启动它

if __name__ == '__main__':

    app.debug = True

    app.run(host='0.0.0.0', port=8000)

1.在GPU上运行可能会稍微快一些比在CPU上。

2.    for i in range(20000):   # 对于这样的卷积训练一般要做10000-20000次的循环

        batch = data.train.next_batch(50)   # 定义batch的大小

        if i % 100 == 0:    # 每隔100次准确率做一次打印

            train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})

            print('step %d, training accuracy %g' % (i, train_accuracy))    # 打印

        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}))

    # 保存

    path = saver.save(

        sess, os.path.join(os.path.dirname(__file__), 'data', 'convolutional.ckpt'),

        write_meta_graph=False, write_state=False

    )

    print('Saved:', path)