前言
在毕设系列推文的第二章中我们详细介绍了TensorFlow的一些基础知识（TensorFlow 2.0 概述）；在第三章（毕业设计之「神经网络与深度学习概述」 （一）、毕业设计之「神经网络与深度学习概述」（二））中对神经网络与深度学习做了简单的概述（主要介绍本章节中完成两个项目所用的一些基础概念）包括激活函数、梯度下降、损失函数、softmax算法等；并且通过简单描述全连接神经网络的不足，详细介绍了卷积神经网络的相关概念。
有了前面几章的基础知识，在本章中，我们会在此基础上介绍两个相关的例子（在此之前会对4.1节中对所用卷积神经网络AlexNet进行详尽的描述）：其中包括利用AlexNet完成MNIST手写字的训练和识别（本文所涉及内容）以及毕业设计之「测试实验及结果分析」（二）。
第一个例子是论文中要求指定完成的例子；第二个例子是为了丰富论文成果通过Python爬虫技术收集数据样本集（包括测试集图片和训练集图片，共计3762张图片）、通过搭建AlexNet标准网络结构模型进行训练，并通过测试集图片进行最终结果分析而特别引入的。
图解AlexNet网络结构
MNIST手写字训练和识别
import TensorFlow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train.reshape(-1,28,28,1) / 255.0, x_test.reshape(-1,28,28,1) / 255.0
# 毕业设计参数要求：卷积层3层、池化层3层、Relu3层，全连接层1层，连接单元数1024
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(input_shape = (28,28,1),filters = 32,kernel_size = 5,strides = 1,padding = "same",activation = "relu"), # 28*28
tf.keras.layers.MaxPool2D(pool_size = 2,strides = 2,padding = 'same'), # 14*14
tf.keras.layers.Conv2D(64,5,strides=1,padding='same',activation='relu'), # 14*14
tf.keras.layers.MaxPool2D(2,2,'same'), # 7*7
tf.keras.layers.Conv2D(64,5,strides=1,padding='same',activation='relu'), # 7*7
tf.keras.layers.MaxPool2D(2,2,'same'), # 3*3
tf.keras.layers.Flatten(), # 64*3*3
tf.keras.layers.Dense(1024,activation='relu'),
tf.keras.layers.Dropout(0.5),
tf.keras.layers.Dense(10,activation = 'softmax'),
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=32,epochs=5)
图4.11 卷积神经网络模型图
图4.12 识别率展示图
