原文链接：https://geektutu.com/post/tensorflow2-mnist-cnn.html

转载自极客兔兔：
https://geektutu.com/post/tensorflow2-mnist-cnn.html
基于TensorFlow 2.0 版本训练CNN网络——实现mnist手写数字识别训练

代码目录结构
data_set_tf2/ # TensorFlow 2.0的mnist数据集
|–mnist.npz
test_images/ # 预测所用的图片
|–0.png
|–1.png
|–4.png
v4_cnn/
|–ckpt/ # 模型保存的位置
|–checkpoint
|–cp-0005.ckpt.data-00000-of-00001
|–cp-0005.ckpt.index
|–predict.py # 预测代码
|–train.py # 训练代码
3. CNN模型代码（train.py）
模型定义的前半部分主要使用Keras.layers提供的Conv2D（卷积）与MaxPooling2D（池化）函数。

CNN的输入是维度为 (image_height, image_width, color_channels)的张量，mnist数据集是黑白的，因此只有一个color_channel（颜色通道），一般的彩色图片有3个（R,G,B）,熟悉Web前端的同学可能知道，有些图片有4个通道(R,G,B,A)，A代表透明度。对于mnist数据集，输入的张量维度就是(28,28,1)，通过参数input_shape传给网络的第一层。
下面直接上代码：

import os
import tensorflow as tf
from tensorflow.keras import datasets, layers, models


class CNN(object):
    def __init__(self):
        model = models.Sequential()
        # 第1层卷积，卷积核大小为3*3，32个，28*28为待训练图片的大小
        model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
        model.add(layers.MaxPooling2D((2, 2)))
        # 第2层卷积，卷积核大小为3*3，64个
        model.add(layers.Conv2D(64, (3, 3), activation='relu'))
        model.add(layers.MaxPooling2D((2, 2)))
        # 第3层卷积，卷积核大小为3*3，64个
        model.add(layers.Conv2D(64, (3, 3), activation='relu'))

        model.add(layers.Flatten())
        model.add(layers.Dense(64, activation='relu'))
        model.add(layers.Dense(10, activation='softmax'))

        model.summary()

        self.model = model
model.summary()用来打印我们定义的模型的结构。

---

我们可以看到，每一个Conv2D和MaxPooling2D层的输出都是一个三维的张量(height, width, channels)。height和width会逐渐地变小。输出的channel的个数，是由第一个参数(例如，32或64)控制的，随着height和width的变小，channel可以变大（从算力的角度）。

模型的后半部分，是定义输出张量的。layers.Flatten会将三维的张量转为一维的向量。展开前张量的维度是(3, 3, 64) ，转为一维(576)的向量后，紧接着使用layers.Dense层，构造了2层全连接层，逐步地将一维向量的位数从576变为64，再变为10。
安装教程与2.0版本的CNN图像识别模型训练全文与代码链接地址：Tensorflow2.0版本 mnest手写数字识别

---

《AI工匠BOOK》持续更新AI算法与最新应用，如果您感兴趣，欢迎关注AI工匠（AI算法与最新应用前沿研究）。