》》欢迎 点赞，留言，收藏加关注《《

1. 模型构建的步骤：

在构建AI模型时，一般有以下主要步骤：准备数据、数据预处理、划分数据集、配置模型、训练模型、评估优化、模型应用，如下图所示：

【注意】由于MNIST数据集太经典了，很多深度学习书籍在介绍该入门模型案例时，基本上就是直接下载获取数据，然后就进行模型训练，最后得出一个准确率出来。但这样的入门案例学习后，当要拿自己的数据来训练模型，却往往不知该如何处理数据、如何训练、如何应用。在本文，将分两种情况进行介绍：（1）使用MNIST数据（本案例），（2）使用自己的数据。

2. 库文件的导入

2.1 使用现成的mnist数据

import tensorflow as tf

# 从tensorflow.examples.tutorials.mnist 导入模块

# 这是TensorFlow 为了教学MNIST而提前编制的程序

from tensorflow.examples.tutorials.mnist import input_data

import matplotlib.pyplot as plt

mnist = input_data.read_data_sets('/home/anaconda2/桌面/mnist_practice/MNIST_data',one_hot=True)

# MNIST_data指的是存放数据的文件夹路径，one_hot=True 为采用one_hot的编码方式编码标签

# 从MNIST_data/中读取MNIST数据，这条语句在数据不存在时，会自动执行下载

2.2 使用自己做的数据

如果是使用自己的数据集，在准备数据时的重要工作是“标注数据”，也就是对数据进行打标签，主要的标注方式有：

① 整个文件打标签。例如MNIST数据集，每个图像只有1个数字，可以从0至9建10个文件夹，里面放相应数字的图像；也可以定义一个规则对图像进行命名，如按标签+序号命名；还可以在数据库里面创建一张对应表，存储文件名与标签之间的关联关系。如下图：

② 圈定区域打标签。例如ImageNet的物体识别数据集，由于每张图片上有各种物体，这些物体位于不同位置，因此需要圈定某个区域进行标注，目前比较流行的是VOC2007、VOC2012数据格式，这是使用xml文件保存图片中某个物体的名称（name）和位置信息（xmin,ymin,xmax,ymax）。

如果图片很多，一张一张去计算位置信息，然后编写xml文件，实在是太耗时耗力了。所幸，有一位大神开源了一个数据标注工具labelImg（https://github.com/tzutalin/labelImg），只要在界面上画框标注，就能自动生成VOC格式的xml文件了，非常方便，如下图所示：

③ 数据截段打标签。针对语音识别、文字识别等，有些是将数据截成一段一段的语音或句子，然后在另外的文件中记录对应的标签信息。

3. 数据预处理

在准备好基础数据之后，需要根据模型需要对基础数据进行相应的预处理。

（1）使用MNIST数据（本案例）

由于MNIST数据集的尺寸统一，只有黑白两种像素，无须再进行额外的预处理，直接拿来建模型就行。

（2）使用自己的数据

而如果是要训练自己的数据，根据模型需要一般要进行以下预处理：

a. 统一格式：即统一基础数据的格式，例如图像数据集，则全部统一为jpg格式；语音数据集，则全部统一为wav格式；文字数据集，则全部统一为UTF-8的纯文本格式等，方便模型的处理；

b. 调整尺寸：根据模型的输入要求，将样本数据全部调整为统一尺寸。例如LeNet模型是32x32，AlexNet是224x224，VGG是224x224等；

c. 灰度化：根据模型需要，有些要求输入灰度图像，有些要求输入RGB彩色图像；

d. 去噪平滑：为提升输入图像的质量，对图像进行去噪平滑处理，可使用中值滤波器、高斯滤波器等进行图像的去噪处理。如果训练数据集的图像质量很好了，则无须作去噪处理；

e. 其它处理：根据模型需要进行直方图均衡化、二值化、腐蚀、膨胀等相关的处理；

f. 样本增强：有一种观点认为神经网络是靠数据喂出来的，如果能够增加训练数据的样本量，提供海量数据进行训练，则能够有效提升算法的质量。常见的样本增强方式有：水平翻转图像、随机裁剪、平移变换，颜色、光照变换等。

4. 划分数据集

在训练模型之前，需要将样本数据划分为训练集、测试集，有些情况下还会划分为训练集、测试集、验证集。

（1）使用MNIST数据

本案例要训练模型的MNIST数据集，已经提供了训练集、测试集，代码如下：

#load data（提取训练集、测试集）

train_xdata = mnist.train.images #训练集样本

validation_xdata = mnist.validation.images #验证集样本

test_xdata = mnist.test.images #测试集样本

#labels（提取标签数据）

train_labels = mnist.train.labels #训练集标签

validation_labels = mnist.validation.labels #验证集标签

test_labels = mnist.test.labels #测试集标签

print(train_xdata.shape,train_labels.shape) #输出训练集样本和标签的大小

（2）使用自己的数据

如果是要划分自己的数据集，可使用scikit-learn工具进行划分，代码如下：

fromsklearn.cross_validationimporttrain_test_split

# 随机选取75%的数据作为训练样本，其余25%的数据作为测试样本

# X_data：数据集

# y_labels：数据集对应的标签X_train,X_test,y_train,y_test=train_test_split(X_data,y_labels,test_size=0.25,random_state=33)

5. 查看数据与可视化样本

#查看数据，例如训练集中第一个样本的内容和标签

print(train_xdata[0]) #是一个包含784个元素且值在[0,1]之间的向量

print(train_labrels[0])

#可视化样本，下面是输出了训练集中前20个样本

fig, ax = plt.subplots(nrows=4,ncols=5,sharex='all',sharey='all')

ax = ax.flatten()

for i in range(20):

。。img = train_xdata[i].reshape(28, 28)

。。ax[i].imshow(img,cmap='Greys')

ax[0].set_xticks([])

ax[0].set_yticks([])

plt.tight_layout()

plt.show()

6. 输出效果

......................省略省略