活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。各位小伙伴，如果您：
想系统/深入学习某技术知识点…
一个人摸索学习很难坚持，想组团高效学习…
想写博客但无从下手，急需写作干货注入能量…
热爱写作，愿意让自己成为更好的人…
…

我跟着“K同学啊”学习的，大家可以一起来哦！
https://blog.csdn.net/qq_38251616/article/details/116920825
上面链接有源代码哦~

学习日记-第一天

1、学习知识点

（1）安装使用 jupyter notebook

（2）配置tf2的GPU环境

（3）实现mnist手写数字识别的相关步骤

  一、前期工作
  	1. 设置GPU（如果使用的是CPU可以忽略这步）
  	2. 导入数据
  	3. 归一化
  	4. 可视化图片
  	5. 调整图片格式
  二、构建CNN网络模型
  三、编译模型
  四、训练模型
  五、预测

2、实操

(1)配置环境

1.新建一个虚拟环境

conda create -n jupyter-tf2 python=3.6.5

2.安装 jupyter notebook

Anaconda 自带有jupyter notebook，直接用了。

(1)在jupyter notebook中加载conda创建的虚拟环境

1.激活conda虚拟环境
conda activate jupyter-tf2
2.安装ipykernel
conda install ipykernel
3.将环境写入kernel中
python -m ipykernel install --user --name jupyter-tf2 --display-name tf2

3.安装 GPU版本tf2环境

我已经有CUDA了，所以直接安装tf2-gpu

pip install tensorflow-gpu -i https://pypi.mirrors.ustc.edu.cn/simple/

(2)前期准备工作

1.设置GPU

    照着博主的代码没有问题

2.导入数据

  遇到如下问题,缺了matplotlib库：

使用如下命令安装matplotlib：
conda install matplotlib

然后就可以运行了

3.归一化

这里我的理解是：RGB颜色值是0-255，那么我们除以最大值（也就是255）就可以将图片的每一个像素的颜色值转换到0-1之间。（矩阵除以常数，就是矩阵的每个元素分别除以这个常数）

4.可视化图片

这一步也没有遇到问题

5.调整图片格式

   这里的60000和10000应该是训练集和测试集的图片数量，
   28，28是图片的宽和高，
   上面两个是原本图片的格式，这一步操作加了一个维度：1
   这个1我的理解是通道数,初始是1，后面进行卷积的时候根据滤波器数会进行调整

(3)构建CNN网络模型

layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))中，
32是滤波器数（卷积核数）,(3,3)是卷积核大小，
activation=“relu"意为使用relu作为激活函数“，
（28，28，1）是输入图片的shape

因为layers.Conv2D默认是边缘不填充的，所以28*28的矩阵一行过去只能划分出26个3*3的矩阵，
同理，一列也只能有26个3*3的矩阵，所以输出的shape是（26*26）

param(参数)=卷积核大小*通道数*卷积核数量+卷积核数量=3*3*1*32+32=320
param(参数)=卷积核大小*通道数*卷积核数量+卷积核数量=3*3*32*64+64=18496

…

layers.MaxPooling2D((2, 2)),池化层，池化核为2*2，
默认步长是池化核的大小，即：2
所以26*26经过这个池化层后变成13*13

…

layers.Flatten(),Flatten层，将输入的数据变成一维
这里的结果1600就是：5*5*64，即宽*高*通道数 	 



layers.Dense(64, activation='relu'),全连接层,进行重新拟合，减少特征信息的损失
64是神经元数，relu是激活函数
layers.dense(64)会在内部自动生成一个权矩阵kernel和偏移项bias,各变量具体尺寸如下：
tf.layers.dense()会生成：尺寸为[1600, 64]的权矩阵kernel，和尺寸为[1, 64]的偏移项bias。
内部的计算过程为y = input * kernel + bias，输出值y的尺寸为[1,64]。

Param = (输入数据的Feature个数+1)*神经元的个数 = (1600+1)*64 = 102464

(4)编译模型

没有遇到问题

(5)训练模型

顺利进行中

(6)预测

plt.imshow()展示第一张图片
从第一张图片的预测结果上看（数组里分别是0~9十个类别的信度），
我们可以看到是类别2的信度有12.079804，最高，因此可以判定图片上的数字是2，
说明预测结果准确。

3.总结

我不是科班的，之前因缘际会应用过yolov3模型，但是对其网络结构只有浅层的了解，没有深入学习，对于深度学习也没有系统的学习，只是学习了如何应用yolov3的模型.

这次借着CSDN的活动，跟着”K同学啊“学习，
在这里学到的一些知识和之前一知半解的知识相互呼应，切切实实得感受到有所收获~