这是一个TensorFlow的系列文章，本文是第三篇，在这个系列中，你讲了解到机器学习的一些基本概念、TensorFlow的使用，并能实际完成手写数字识别、图像分类、风格迁移等实战项目。
文章将尽量用平实的语言描述、少用公式、多用代码截图，总之这将是一份很赞的入门指南。欢迎分享/关注。
上一篇文章，我们用CNN实现了手写识别
CNN网络模型举例
一、改进方案
- 1 使用Keras框架，而不是用TensorFlow自己实现，提升编程效率
- 2 增加网络的深度，这里增加到了20层
- 3 每次卷积完之后，加入规范层
- 4 使用最新的SELU激活函数，这是Sepp Hochreiter最新发表在arXiv上的激活函数，Sepp是当年和Jürgen Schmidhuber 一起发明 LSTM 的神级人物。介绍参考这个链接：「自归一化神经网络」提出新型激活函数SELU
二、理论知识补充(最小知识集)
1）BatchNormalization 的计算原理，优缺点
为了避免对数据的感应不铭感，会对数据做处理，使得数据的变化范围不会太大，这个处理叫normalization预处理。Batch normalization 的 batch 是批数据, 把数据分成小批小批进行随机梯度下降. 而且在每批数据进行前向传递 forward propagation 的时候, 对每一层都进行 normalization 的处理。 优点是可以避免数据对激活函数的饱和从而收敛到更好的结果，并且能减少训练时长。
2）rmsprop 优化器的原理，优缺点
RMSprop 是 Geoff Hinton 提出的一种以梯度的平方来自适应调节学习率的优化方法。
优点是，对于常见参数更新较小，自动更新，不用手动调节学习率
缺点是，因为公式中分母上会累加梯度平方，这样在训练中持续增大的话，会使学习率非常小，甚至趋近无穷小
3）池化层的计算原理
池化层是在几个数据中挑选出最能代表这个区域的，把一个区域简化成一个数值，可以取最大值、最小值、平均值。这样可以降低计算量，降低过拟合。
4）softmax与 sigmoid 激活函数的区别
sigmoid将一个real value映射到（0,1）的区间（当然也可以是（-1,1）），这样可以用来做二分类。
而softmax把一个k维的real value向量（a1,a2,a3,a4….）映射成一个（b1,b2,b3,b4….）其中bi是一个0-1的数值，b1到bn累加为1，然后可以根据bi的大小来进行多分类的任务，如取权重最大的一维。
5）categorical_crossentropy 的计算原理，为什么选择交叉熵而不是平均平方误差（MSE）
交叉熵计算原理是−[ylna+(1−y)ln(1−a)]。不选择MSE的原因是，使用MSE在Y取较大值时，权重和偏置的更新速度会很慢，而用交叉熵作为损失函数可以克服这个问题
三、代码实现
1 加载数据集，对数据集进行处理，把输入和结果进行分开
2 设相关参数
3 定义模型
4 查看模型结构，可视化模型
5 训练模型，保存和载入模型
6 生成预测结果
四、上传Kaggle看结果
请注意，训练是有一定随机性的，如果一次训练的不好，可以反复尝试训练。尽量准确度在99.2%以上，再生成提交结果。
kaggle结果
虽然手写识别已经有无数人做过了，但提交到Kaggle的只有1600多人，我们的结果在200多位，进入了前20%，对于新手来错，应该还可以了。
祝大家好运~~~~
附带之前的三篇文章：
《五分钟带你入门TensorFlow》
《零基础用TensorFlow玩转Kaggle的“手写识别”》
《用TensorFlow做Kaggle“手写识别”达到98%准确率-详解》
到这里，手写识别的系列就结束了。通过做项目，我们能快速掌握技能，但有时候总有只知其然不知其所以然的模糊感，下面的系列将会和大家一起对机器学习的理论部分进行概览，用简单的文字解释一个个知识点。
想第一时间看到下一篇文章？抓紧，喜欢和关注吧~~~
