简介：作为小白初入茅庐，根据tensorflow中文版的参考文档，以及自己平时学习的体会，总结了在ubuntu下进行深度学习的过程。
作为每个学习深度学习的人来说，测试手写数字的训练应该是每个人都会经历的过程。这里我先将自己在学习过程中参考的一些paper在这里一一列出，大家可以先参看这些paper以后会有更好的了解。
[ TensorFlow中文社区]
好了可以开始啦
此教程是在ubuntu下安装cpu版的tensorflow,用于做简单的深度学习的训练，（当然也可以GPU 加速版的，自己本人曾经配置成功过，现在愿意再提那些伤感的岁月）。
关于如何配置tensorflow有很多相关的教程，这里不再一一叙述，只是想大家推荐一些我自己认为比较好的网址，供大家参考：
1:http://blog.csdn.net/zhaoyu106/article/details/52793183
2:http://blog.csdn.net/u010789558/article/details/51867648
3: http://textminingonline.com/dive-into-tensorflow-part-iii-gtx-1080-ubuntu16-04-cuda8-0-cudnn5-0-tensorflow
[4]:http://m.blog.csdn.net/article/details?id=52658965
[5]:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md#installing-from-sources
[6]:http://www.tensorfly.cn/tfdoc/get_started/os_setup.html
[7]:http://ramhiser.com/2016/01/05/installing-tensorflow-on-an-aws-ec2-instance-with-gpu-support/
[8]:http://blog.csdn.net/u012436149/article/details/52554176
[9]:http://m.blog.csdn.net/article/details?id=51999566
以上的参考文档是笔者在配置tensorflow过程中，所参考的一些博客和官方文档，这里想要提示大家的是在配置的过程中一定要注意版本的兼容性，此处有很多坑，笔者就掉进去过很多次。
笔者这里是基于pip安装的tensorflow,大家可以根据自己的需要来完成安装，也推荐大家基于Anaconda去安装tensorflow,省去了很多附加包的安装。
在linux下测试自己是否安装成功，有时间会更新自己的安装流程。
Tensorflow参考安装流程
在linux控制台下输入python进行测试
$ python
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print sess.run(hello)
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print sess.run(a+b)
42
一、获取mnist数据
首先可以从前面给出的MNIST数据库来获取手写数字分类识别，为了快速导入数据集，可以翻墙或者直接下载四个数据集包放在自己定义的文件中，tensorflow提供专门用于下载mnist数据的函数input_data.py文件，其直接包含在tensorflow中，无需下载安装。
import tensorflow.examples.tutorials.mnist.input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)执行完以后，会在自己的新建的文件中自动生成一个MNIST_data文件夹 
之后将下载的四个压缩文件放到该文件夹下
| 文件 | 内容 |
|---|---|
| t10k-images-idx3-ubyte.gz | 测试集图片 10000张图片 |
| t10k-labels-idx1-ubyte.gz | 测试集图片对应的数字标签 |
| train-images-idx3-ubyte.gz | 训练集图片 55000张训练图片，其中包含5000张验证图片 |
| train-labels-idx1-ubyte.gz | 训练集图片对应的数字标签 |
input_data文件会调用一个maybe_download函数，确保数据下载成功。这个函数还会判断数据是否已经下载，如果已经下载好了，就不再重复下载。
下载下来的数据集被分三个子集：5.5W行的训练数据集（mnist.train），5千行的验证数据集（mnist.validation)和1W行的测试数据集（mnist.test）。因为每张图片为28x28的黑白图片，所以每行为784维的向量。
每个子集都由两部分组成：图片部分（images)和标签部分(labels), 我们可以用下面的代码来查看 ：
print(mnist.train.images.shape)
print mnist.train.labels.shape
print mnist.validation.images.shape
print mnist.validation.labels.shape
print mnist.test.images.shape
print mnist.test.labels.shape执行的结果是（笔者是在jupyter notebook中实现测试，具体如何使用jupyter notebook以后会进行更新）
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
(55000, 784)
(55000, 10)
(5000, 784)
(5000, 10)
(10000, 784)
(10000, 10)同时，在进行深度学习的过程中，也会用到一些公认的测试数据，如CVS数据，可以直接导入：
import tensorflow.contrib.learn.python.learn.datasets.base as base
iris_data,iris_label=base.load_iris()
house_data,house_label=base.load_boston()如cifar10数据：
import tensorflow.models.image.cifar10.cifar10 as cifar10
cifar10.maybe_download_and_extract()
images, labels = cifar10.distorted_inputs()
print images
print labels[1]http://colah.github.io/posts/2014-10-Visualizing-MNIST/
[2]http://colah.github.io/posts/2015-08-Backprop/
[3]http://colah.github.io/posts/2015-09-Visual-Information/
[4] http://math.stackexchange.com/
[5] https://github.com/jmcmanus/pagedown-extra
[6] http://meta.math.stackexchange.com/questions/5020/mathjax-basic-tutorial-and-quick-reference
[7] http://bramp.github.io/js-sequence-diagrams/
[8] http://adrai.github.io/flowchart.js/
[9] https://github.com/benweet/stackedit
来源：CSDN
作者：蜗牛me
链接：https://blog.csdn.net/m0_37592397/article/details/78514876