?MNIST手寫字識別
廢話不多說，先上演示https://yuanyuangong.github.io/gyytensor/dist/index.html#/home
上面這個鏈接請復(fù)制，打開，簡書有毒
如果你家網(wǎng)絡(luò)掉渣，就直接 git?吧!HTTPS://GITHUB.COM/YUANYUANGONG/GYYTENSOR.GIT
第一記：手寫字?jǐn)?shù)據(jù)形式
在開篇最前面還是先講講手寫字識別深度學(xué)習(xí)原理。
這里測試用的手寫字圖片?為（28*28*1）的圖像，因為只有黑?所以?像素為 1。
當(dāng)然js可不認(rèn)識這么個，需要轉(zhuǎn)成?一個 28*28?的二維向量矩陣。?感受一下這個二維數(shù)組，
如果 7? 這個數(shù)字?都這么標(biāo)準(zhǔn)就好了，現(xiàn)實和殘酷，我寫的7是這樣的，我們就需要找到不同人寫的7的共同點，這就是提取特征，在我這個案例中?就用 卷積 （不要去管高等數(shù)學(xué)里的卷積，你就當(dāng)是全新的一種方式，下面會講解）的方式去提取。
第二記?卷積
先看一下tensorflow?里如何卷積的吧（再次強(qiáng)調(diào)不要被?卷積這個名詞 帶?到坑里去了，這里你就理解為?操作，沒有其他意思）
首先，
需要過濾器的卷積窗口來取樣，藍(lán)色就（5*5）過濾器 ，在這個案例里就是5*5?的二維0，1 數(shù)組，? 至于里面的值完全由tensorflow去初始化，
步進(jìn) strides: 1,?意味著?這個過濾器每一移動一個像素，從左到右?跑完?下移動一個像素，如下圖，總需要拖多少次。
28-5 = 24? 。24/1 = 24? 則 24*24次? 當(dāng)然你也可以把步長設(shè)置為6 ，那就是?那就24/6? 則4*4 =16次。不過這樣你會丟失很多信息。
這么個5*5的過濾器?拖了24*24?次得到?一個 24*24?的數(shù)組 g 。假設(shè)過濾器的?值為?f? ，那么 g[n][m] = f *?過濾器所拖的區(qū)域。
這里有8?個過濾器，那就得到 8個 24*24?的矩陣。?這樣我們就把 7?這個圖?搞了 8個特征，如果你寫了一個7 ，通過?同樣的?卷積，也等到 8?個24*24?的矩陣，進(jìn)行比較?？纯聪嗖疃嗌?。再去優(yōu)化?那8個過濾器。
當(dāng)然現(xiàn)實里?可不會這么簡單。為了進(jìn)一步提高?學(xué)習(xí)效率。我們要有一些其他手段，比如吃補(bǔ)藥。---池化
第三記? 池化
poolSize , 2*2?的窗口，每次移動2?個像素?得到 6*6的矩陣。
我們一次卷積和池化還不行，多來幾次 ，完整代碼如下
第四記 flaten? 和全鏈接層
原理什么的不重要了，flaten?就是把多維數(shù)組轉(zhuǎn)成?一維數(shù)組，方便統(tǒng)計操作，全鏈接dense?就是為了分類。
先分成64類，在分成0-9 10類
?第五記?開始訓(xùn)練模型
第一步，數(shù)據(jù)獲取，預(yù)處理。下面數(shù)MNIST手寫字?jǐn)?shù)據(jù)鏈接，不是人可以看懂的數(shù)據(jù)，所以需要預(yù)處理，通過webapi?
new Img() ,具體的我就不肺炎了，反正最后通過data.js可以獲得手寫字?jǐn)?shù)據(jù)。
第二步，載入數(shù)據(jù)，這里，不可一個個載到模型里去跑，太慢，也不能一次性把所有數(shù)據(jù)載入，瀏覽器要炸的。所以分批次，
model.fit?載入數(shù)據(jù)?直到?所有數(shù)據(jù)被處理完就停止?循環(huán)，應(yīng)該?內(nèi)置 setIntertime?方法
第四步，驗證模型獲得?測試結(jié)果 （準(zhǔn)確率）
第六記，UI?繪圖部分
這里用canvas繪制手寫字的圖片，并顯示預(yù)測結(jié)果。
echart顯示損失率，和精確率的曲線
最后：
本人是新接觸tensorflow.js的新人，還望各路大仙指點一二
