前面两节介绍了TensorFlow安装和基本概念，下面我们在实战中进一步体会TensorFlow的用法。这里需要大家具备相关的背景知识，如神经网络，relu, softmax, 反向传播，卷积等等。这一节主要讲数据探索和基本函数准备。
数据采用斯坦福SVHN数据集（The Street View HouseNumbers Dataset）。
下载地址：http://ufldl.stanford.edu/housenumbers/
数据集名 train_32x32.mat, test_32x32.mat
格式为MATLAB文件，可从scipy.io中import loadmat读取，这里Python 3.5版本。下面为具体代码实现，在注释部分进行讲解。
#首先引入所需要的基本包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
#读matlab文件
from scipy.io import loadmat as load
#读取数据
train= load('/Users/chenbin/Desktop/TensorFlow/test_ml/train_32x32.mat')
test= load('/Users/chenbin/Desktop/TensorFlow/test_ml/test_32x32.mat')
#这时后，我们可以打印数据的shape进行观察。
print(train['X'].shape)
print(train['y'].shape)
print(test['X'].shape)
print(test['y'].shape)
"""
结果为：
(32,32, 3, 73257)
(73257,1)
(32,32, 3, 26032)
(26032,1)
训练集为73257个样本，测试集26032个样本，每个样本是32*32像素，3个像素通道，后面我们将其转化为1个通道，用灰度图显示，另外会将X样本量改为第一位置，符合我们平时处理的规格。
"""
"""
下面我们定义三个函数reformat(samples,labels) normalize(samples)，inspect(dataset, labels, i)：
reformat用来改变原始数据格式，并对lable进行独热编码（one-hot encoding）。
normalize用来对数据进行灰度化（
将三色通道转化为单色通道），把数据映射到 -1.0 ~ +1.0之间。
inspect将图片显示有助于观察。
"""
defreformat(samples, labels):
# 改变原始数据的形状
# （ 0 1 2 3） （ 3 0 1 2）
# (图片高，图片宽，通道数，图片数) -> (图片数，图片高，图片宽，通道数)
new = np.transpose(samples, (3, 0,1, 2)).astype(np.float32)
# labels 变成 one-hot encoding,[2] -> [0, 0, 1, 0, 0, 0, 0, 0, 0, 0]
# digit 0 , represented as 10
# labels 变成 one-hot encoding,[10] -> [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
labels = np.array([x[0] for x inlabels])
one_hot_labels = []
for num in labels:
one_hot = [0.0] * 10
if num == 10:
one_hot[0] =1.0
else:
one_hot[num]= 1.0
one_hot_labels.append(one_hot)
labels =np.array(one_hot_labels).astype(np.float32)
return new, labels
defnormalize(samples):
"""
灰度化: 从三色通道 -> 单色通道 省内存 ，加快训练速度
(R + G + B) / 3
将图片从 0 ~ 255 线性映射到-1.0 ~ +1.0
"""
a = np.add.reduce(samples,keepdims=True, axis=3) # shape (图片数，图片高，图片宽，通道数)，将samples沿着原来格式相加
a = a/3.0
return a/128.0 - 1.0
definspect(dataset, labels, i):
# 将图片显示出来
if dataset.shape[3] == 1:
shape = dataset.shape
dataset =dataset.reshape(shape[0], shape[1], shape[2])
print(labels[i])
plt.imshow(dataset[i])
plt.show()
#这时候我们就可以测试一下，打印一张图片看看
train_samples = train['X']
train_labels = train['y']
_train_samples,_train_labels = reformat(train_samples, train_labels)
inspect(_train_samples,_train_labels, 123)
#结果为:
[ 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.]
下一节我们开始正式建立神经网络。