Tensorflow实战：断点续训与手写数字识别

本篇文章是关于Tensorflow机器学习课程的第六讲笔记，主要聚焦于全连接网络在实际应用中的两个核心环节：断点续训和图像识别。以下是详细的知识点解析： 1. 断点续训： - **理解关键步骤**：在Tensorflow中，通过`tf.train.get_checkpoint_state(MODEL_SAVE_PATH)`函数检查是否存在有效的断点文件。这个函数接受一个路径参数，如果找到断点文件，会返回一个包含模型状态的`CheckpointState`对象。`saver.restore(sess,ckpt.model_checkpoint_path)`则是用来恢复会话，将之前保存的模型权重（w和b）加载到当前会话中。`ckpt.model_checkpoint_path`自动查找最近的模型文件名，无需硬编码。 2. 实践代码与验证： - 输入阶段：实际应用中，输入是一张28x28的手写数字图片，将其转化为一维数组，每个像素点表示0到1之间的灰度值。例如，一个测试图片的输入可能表示为`input:1x784`，其中784是28x28图像的像素总数。 - **预处理函数**：`pre_pic(testPic)`负责将图片转换为一维数组，通常包括读取图片、归一化等步骤。 - **预测输出**：网络的输出是一个包含10个元素的概率数组，每个元素代表对应数字的可能性。最大概率对应的索引即为预测的数字。例如，`preValue=restore_model(testPicArr)`这部分代码调用预训练模型对输入图片进行预测，并将结果存储在`preValue`变量中。 3. 实际应用示例： - 用户交互式编程：通过用户输入测试图片的数量（`testNum`）和每个图片的路径，然后依次读取并处理图片，利用已训练好的模型进行预测，最后输出预测的数字。 通过这个笔记，读者可以学习如何在Tensorflow中实现全连接网络的训练中断点保存和恢复，以及如何将模型应用于实际的图像识别任务，提高模型的实用性。这不仅有助于理论知识的学习，还能提升动手实践的能力，对深入理解人工智能和机器学习技术有极大的帮助。