一、前言
前面用TensorFlow浅做了一个温度预测，使用的是全连接网络，同时我们还对网上的示例做了调试和修改，使得预测结果还能看。本篇我们更进一步使用CNN（卷积）网络，不过再预测温度就有点大材小用，所以本篇是做手写数字的识别。
手写数字识别是非常经典的分类问题，是入门必备的，门槛又比猫狗识别低很多（猫狗图片太大需要的计算资源太大）。
二、数据准备
手写数字识别由于过于经典，所以TensorFlow已经自带了mnist数据集，所以也不用我们自己去找数据来训练。
下面的简单代码可以自动下载mnist数据集，可以看到这个数据集是由28x28像素的图片组成，训练集有6W个图片，测试集有1W个图片，另外配套有等量的label。这里的x是图片，y是图片的值。
将x数据用图片输出，y数据先转为one-hot格式再输出。one-hot是做分类任务必备的，否则网络很难收敛，有兴趣的可以自己试下。
我们再将图片的数值输出来看，会发现5这个图片，其实是可以用数字矩阵来数字化的。矩阵中数值为0的地方就是纯黑色，数值为255的地方就是纯白色，10、20、30这种就是渐变的灰色。
三、构建网络
使用下面的代码构建了一个简单的CNN网络，甚至没有使用到激活函数。
与全连接层相比较：
1）CNN是layers.Conv2D，全连接层是layers.Dense
2）参数有很大不同，全连接层没这么多参数要设置，以后再详细介绍参数
- Filters 卷积核个数
- Kernel_size 卷积核尺寸
- Padding 边缘填充设置
- Input_shape 输入尺寸限制
3）有一个池化层
4）最后还是需要一个全连接层来得到一维的结果
5）直接输入的是二维数组，而不是一维数组。
四、训练
训练使用的参数与之前没什么区别，训练了100次就收敛的挺不错，而且没有明显的过拟合。
五、预测
这里我输出了前5个数字的识别，由于Y是one-hot格式，所以输出结果的格式是每一个“位”都输出一个值，这个值描述的是，图片数值在该位的概率。
以第一个数为例：
[ 0.04167002 0.05634148 -0.03675765 -0.06590495 0.06823181 -0.0774302
0.08698683 0.93804836 -0.06439071 0.16399711]
其含义是图片数字为0的概率是0.04167002，1的概率是0.05634148，7的概率是0.93804836。所以我们取最高概率位即可，也就是7。
六、回顾
由于有了前面温度预测的基础，这里我们只是简单过一下代码，后面的篇幅再详细说。