#手写数字识别

import math
import  tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#数据加载
mnist = input_data.read_data_sets('data/mnist',one_hot=True)

#手写数字识别的数据集主要包含三个部分：训练集（5.5万行，mnist.train）、测试集（1万行，mnist.test）、验证集（0.5万行，）
#手写数字图片大小是28*28*1的像素的图片（黑白），也就是每个图片有784维的特征描述

train_img = mnist.train.images
train_label = mnist.train.labels
test_img = mnist.test.images
test_label = mnist.test.labels
train_sample_number = mnist.train.num_examples
#print(train_sample_number)#可以通过这个打印下数据集有多少行样本

learn_rate_base = 0.01


#每次迭代的训练样本数据
batch_size = 64
#展示信息的间隔大小
display_step = 1

#输入的样本维度大小信息
input_dim = train_img.shape[1]
#输入的维度大小信息
n_classes = train_label.shape[1]

#模型构建
#1.设置数据输入的占位符
x = tf.placeholder(tf.float32,shape=[None,input_dim],name='x')
y = tf.placeholder(tf.float32,shape=[None,n_classes],name='y')
learn_rate =tf.placeholder(tf.float32,name='learn_rate')

def lean_rate_func(epoch):
    """
    根据给定的迭代批次，更新产生一个学习率的值
    :param epoch:
    :return:
    """
    return learn_rate_base*(0.9**epoch)



def get_variable(name,shape,dtype=tf.float32,initializer=tf.truncated_normal_initializer(mean=0,stddev=0.1)):
    #返回一个对应的filter
    return tf.get_variable(name,shape,dtype,initializer)
#构建网络
def le_net(x,y):
    #1、输入层
    with tf.variable_scope('input'):
        #将输入的x的格式转换为规定的格式 我们用的是lenet所以Lenet输入层一开始的格式是28*28*1
        #[None，input_diml]转换为[None,height,weight,channels] 即[-1,28,28,1]
        net = tf.reshape(x,shape=[-1,28,28,1])
    #2、卷积层
    with tf.variable_scope('conv1'):

        tf.nn.conv2d(input=net,filter=get_variable('w',[5,5,1,32]),strides=[1,1,1,1],padding='SAME')
        #加一个偏置系数 由于[5,5,1,20]中的输出通道数的维数为20，所以偏置项设为20维
        net = tf.nn.bias_add(net,get_variable('b',[32]))
        #激励
        net = tf.nn.relu(net)
    #3、池化
    with tf.variable_scope('pool3'):
        net = tf.nn.max_pool(input=net,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')

    #4、卷积
    with tf.variable_scope('conv4'):
        net = tf.nn.conv2d(input=net,filter=get_variable('w',[5,5,32,64]),strides=[1,1,1,1],padding='SAME')
        net = tf.nn.bias_add(net,get_variable('b',[64]))
        net = tf.nn.relu(net)
    #5池化
    with tf.variable_scope('pool5'):
        net = tf.nn.max_pool(input=net,ksize=[1,2,2,1],strides=[1,2,2,1],padding='VALID')

    #6全连接
    with tf.variable_scope('fc6'):
        #28*28经过两次池化 变成了7*7（28-》14-》7）
        net = tf.reshape(net,shape=[-1,7*7*64])
        net = tf.add(tf.matmul(net,get_variable('w',[7*7*64,1024])),get_variable('b',[1024]))
        net = tf.nn.relu(net)

    #7全连接
    with tf.variable_scope('fc7'):
        net = tf.add(tf.matmul(net,get_variable('w',[1024,n_classes])),get_variable('b',[n_classes]))
        act = tf.nn.softmax(net)

    return act

#接下来的就是与训练有关的代码了
#构建网络
act = le_net(x,y)
#构建模型的损失函数
#softmax_cross_entropy_with_logits:计算softmax中每个样本的交叉熵，logits指定预测值，labels指定实际值
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=act,labels=y))

# #使用梯度下降求解
# #使用梯度下降，最小化误差
# #leaning_rate:要注意，不要过大，过大可能不收敛，过小收敛速度慢
# train = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

#我们这里不用梯度下降，用Adam，Adam优化方式较多
train = tf.train.AdamOptimizer(learning_rate=learn_rate_base).minimize(cost)

#得到预测的类别是那一个
#tf.argmax:对矩阵按行或列计算最大值对应的下标，和numpy中的一样
#tf.equal:是对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反之返回False，返回的值的矩阵的维度和A一样
pred = tf.equal(tf.argmax(act,axis=1),tf.argmax(y,axis=1))

#正确率（True转换为1，False转换为0）
acc = tf.reduce_mean(tf.cast(pred,tf.float32))

#初始化
init = tf.global_variables_initializer()

with tf.Session()as sess:
    #进行数据初始化
    sess.run(init)

    #模型的保存、持久化
    saver = tf.train.Saver()
    epoch = 0
    while True:
        avg_cost = 0
        #计算出总的批次
        total_batch=int(train_sample_number/batch_size)
        #迭代更新
        total_batch=10
        for i in range(total_batch):
            #获取x和y
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            feeds = {x:batch_xs,y:batch_ys,learn_rate:lean_rate_func(epoch)}
            #模型训练
            sess.run(train,feed_dict=feeds)
            #获取损失函数
            avg_cost+=sess.run(cost,feed_dict=feeds)
        #重新计算平均损失（相当于计算每个样本的损失值）
        avg_cost = avg_cost/total_batch

        #显示误差率和训练集的正确率以及测试集的正确率
        if(epoch+1)%display_step==0:
            print("批次：%03d 损失函数值：%.9f"%(epoch,avg_cost))
            feeds = {x:batch_xs,y:batch_ys,learn_rate:lean_rate_func(epoch)}
            train_acc = sess.run(acc,feed_dict=feeds)
            print("训练集准确率：%.3f"%train_acc)

            feeds = {x:test_img,y:test_label}
            test_acc = sess.run(acc,feed_dict=feeds)
            print('测试准确率：%.3f'%test_acc)

            if train_acc > 0.9 and test_acc > 0.9:
                saver.save(sess,'./mnist/model')
                break
        epoch+=1
#模型可视化输出
writer = tf.summary.FileWriter('./mnist/graph',tf.get_default_graph())
#获取当前默认计算图。
writer.close()

为什么我这里维度不匹配呀，老师，我真的想不明白我错在哪？

老师，你这个WPS的课件能发一下吗，从网站上看太不方便了

与视频配套的文字说明解释，在哪里可以下载

双引号里写中文，然后重新编译显示编码 GBK 的不可映射字符 啥的百度教程说是将编码转换为ANSI格式编码。然后我这记事本没有这选项（win10）

老师如图描述所示，请求解答？？？？？？？？？？？？？？？

老师，消息输出 对象中文乱码怎样解决              

老师，我安装了ubantu,里面有pycharm,我可以直接用pycharm,不安装IDLE吗？（我现在对pycharm已经很熟悉了）

为什么会这样？还是显示报错信息？但是后面那条又说没有错误的代码。

from tkinter import *  # 导入tkinter里得全部方法
from tkinter import messagebox  # 调用 messaagebox 模块
import webbrowser


class Application(Frame):   #继承Frame框架的全部属性
    def __init__(self,master=None):
        super().__init__(master) #super代表父类定义 而不是父类对象
        self.master=master
        self.pack()
        self.createWidget()

    def createWidget(self): #创建组件
        self.w1=Text(root,width=40,height=20,bg="gray")
        self.w1.pack()
        self.w1.insert(1.0,"123456789\nabcdefg")  #在几行几列位置插入文本
        self.w1.insert(2.3,"锄禾日当午，汗滴禾下土。谁知盘中餐，粒粒皆辛苦。")
        Button(self,text="重复插入文本",command=self.insertText).pack(side="left") #四个组件按钮绑定对应事件，并垂直排列
        Button(self,text="返回文本",command=self.returnText).pack(side="left")
        Button(self,text="添加图片",command=self.addImage).pack(side="left")
        Button(self, text="添加组件", command=self.addWidget).pack(side="left")
        Button(self,text="通过Tag精确控制文本",command=self.TextTag).pack(side="left")
    def insertText(self):   #定义插入文本
        self.w1.insert(INSERT,'gaoqi')
        self.w1.insert(END,'[sxt]')
    def returnText(self):#定义返回文本
        print(self.w1.get(1.2,1.6)) #核心为：行号以1开始，列号以0开始，
        # 数字索引Indexes 是用来指向Text组建文本中的位置，Text的组件索引也是对应字符之间的位置
        self.w1.insert(1.8,'gaoqi')
        print("所有文本内容\n"+self.w1.get(1.0,END))
    def addImage(self):
        #global photo
        self.photo =photoImage(file="venv/111.gif")
        self.w1.image_create(END,image=self.photo)
    def addWidget(self):
        b1=Button(self.w1,text="爱尚学堂") # 在Text创建组建的命令
        self.w1.window_create(INSERT,window=b1)
    def TextTag(self):
        self.w1.delete(1.0,END)  #删除全部文本
        self.w1.insert(INSERT,'good good study,day day up!\n北京尚学堂\n百战程序员')
        self.w1.tag_add('good',1.0,1.9)
        self.w1.tag_config("good",background="yellow",foreground="red")
        self.w1.tag_add("baidu",4.0,4.2)
        self.w1.tag_config("baidu",underline=True)   # 添加下划线
        self.w1.tag_bind("baidu","<Button-1>",self.webshow)   #绑定事件
    def webshow(self,event): #绑定事件 打开百度页面
        webbrowser.open("http://www.baidu.com")

if __name__ == '__main__':
    root=Tk()
    root.geometry('800x500+200+300')
    root.title('一个经典得GUI测试')
    app=Application(master=root)
    root.mainloop()

老师 为何百度的链接 不出现在窗口内 我没检查出来哪出了问题

  还有 添加图片那个代码 中 会报错 说 photoImage 没有定义 我就算声明全局变量 也报错 帮我看一下吧 我检查不出来了

我跟视频一样的代码   为什么加载时出现   jinja2.exceptions.TemplateNotFound: login.html  错误

老师，请问下super直接调用父类，同继承相比，有啥优势吗

谢谢老师，确实是中文大括号的原因，明白了，老师

read commit 不就是能看到修改后的结果吗，添加就是修改了。这个和幻读有什么关系？

或者说幻读是什么？

mysq和oracle的默认事务隔离级别是什么？