人工智能-深度学习（3）TensorFlow 实战一：手写图片识别
http://gitbook.cn/gitchat/column/59f7e38160c9361563ebea95/topic/59f7e86d60c9361563ebeee5
wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html
一、简介
手写图片识别的实现，分为三步：
- 1，数据的准备
- 2，模型的设计
- 3，代码实现
我的另一篇博文-神经网络的解释
什么是神经网络
input层代表将二维数组从所有行都排列成一行，hidden层代表若干次处理，output层存储计算得到的结果，最后输出概率最大的
知乎神经网络的解释
总结一下：
神经元就是分类器，可以根据正确的值进行调整反向传播训练神经网络
1.神经网络深入浅出
！！！！！！！！!！！！！！！！！认真看两遍，保证你神清气爽。看懂了后，回来点个赞，就当你的答谢了。这个博客下的另一篇文章也写的不错
2.从机器学习谈起 推荐 不错，不过，我推的都只是适合初学者哦，大神们绕道走开
3.还有一篇关于SVM的，虽然有点跑题了，但是也觉得特别好。SVM讲解
虽然第三个链接有点跑题，但是讲真，学AI怎能不学SVM，这是我在一次双语课上做pre，查资料用到的最多的一个blog了。认真看两遍，基本可以自己跑代码了。还是不会的，欢迎私信我，一起进步。哈哈哈哈哈
开心，我以为会没人看，一晚上醒来赞变多了，也算是肯定了。学神经网络的人儿们好好努力哦，好了，大早上的，我也继续看书了。作者：知乎用户 链接：https://www.zhihu.com/question/22553761/answer/267280164
来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
二、数据的准备
Kaggle 里包含了42000份训练数据和28000份测试数据（和谷歌准备的 MNIST 数据，在数量上有所不同）。训练和测试数据的下载地址可以百度也可以点这里。下载下来是两个CVS文件。
三、模型设计
这个模型，组成是这样的：
- 使用一个最简单的单层的神经网络进行学习
- 用 SoftMax 来做为激活函数
- 用交叉熵来做损失函数
- 用梯度下降来做优化方式
神经网络：由很多个神经元组成，每个神经元接收很多个输入：[X1,X2….Xn]，加权相加然后加上偏移量后，看是不是超过了某个阀值，超过了发出1，没超过发出0。
神经网络：由很多个神经元组成，每个神经元接收很多个输入：[X1,X2….Xn]，加权相加然后加上偏移量后，看是不是超过了某个阀值，超过了发出1，没超过发出0。
想要成为激活函数，你得有两把刷子啊。这两把刷子是：一是你得处处可微，可微分才能求导，求极值。二是要非线性的，因为线性模型的表达能力不够。
目前主流的几个激活函数是：sigmoid,tanh,ReLU。
sigmoid：采用 S 形函数，取值范围[0,1] tanh：双切正切函数，取值范围[-1,1]
ReLU：简单而粗暴，大于0的留下，否则一律为0。
SoftMax：我们知道 max(A,B)，是指 A 和 B 里哪个大就取哪个值，但我们有时候希望比较小的那个也有一定概率取到，怎么办呢？我们就按照两个值的大小，计算出概率，按照这个概率来取 A 或者 B。比如A=9，B=1,那取 A 的概率是90%，取B的概率是10%。
损失函数：损失函数是模型对数据拟合程度的反映，拟合得越好损失应该越小，拟合越差损失应该越大，然后我们根据损失函数的结果对模型进行调整。
交叉熵：这个概念要解释的简单，那就不准确，如果要准确，那可能一千字都打不住。这里说一个简单但不一定准确的解释吧。
比如，你想把乾坤大挪移练到第七层大圆满，你现在是第五层，那你还差两层，这个两层就是你和大圆满之间的距离。交叉熵通俗的讲就是现在的训练程度和圆满之间的距离，我们希望距离越小越好，所以交叉熵可以作为一个损失函数，来衡量和目标之间的距离。
梯度下降：这个概念可以这样理解，我们要解决的问题是一座山，答案在山底，我们从山顶到山底的过程就是解决问题的过程。
在山顶，想找到最快的下山的路。这个时候，我们的做法是什么呢？在每次选择道路的时候，选最陡的那条路。梯度是改变率或者斜度的另一个称呼，用数学的语言解释是导数。对于求损失函数最小值这样的问题，朝着梯度下降的方向走，就能找到最优值了。
四、代码实现
1，载入数据，并对数据进行处理
在写代码的过程中，数据的预处理是最大的一块工作，做一个项目，60%以上的代码在做数据预处理。 这个项目的预处理，分为5步：
- 把输入和结果分开
- 对输入进行处理：把一维的输入变成28*28的矩阵
- 对结果进行处理：把结果进行 One-Hot 编码
- 把训练数据划分训练集和验证集
- 对训练集进行分批
