人工智能和大数据结合的系列课程我们已经出了四期：

1、写给医生的人工智能体验课（一）：作为医生，怎么跟进人工智能不落伍？

2、写给医生的人工智能体验课（二）：用比喻的方式形象讲解神经网络

3、写给医生的人工智能体验课（三）：利用SPSS、R、python建立简单的神经网络

4、写给医生的人工智能体验课（四）：基于scikit-learn识别导入的图像

今天继续讲解第五课：基于TensorFlow识别MNIST手写数字。

从专栏的第三篇开始就是代码为主，手机阅读起来并不轻松，建议同学们还是从医咖会官网下载好数据集和代码，亲自跑一遍就会深刻很多。在上节课中，我们引入了手写数字图片数据，这些数据其实是大名鼎鼎的MNIST数据集的一部分。

MNIST是一个非常有名的手写体数字识别数据集，在很多资料中，这个数据集都会被用作深度学习的入门样例。它是由0 到9 的数字图像构成的。完整的MNIST有训练图像6 万张，测试图像1 万张。在TensorFlow 中，又将原先的60000 张训练图片重新划分成了新的55000张训练图片和5000张验证图片。

所以在mnist 对象中，数据一共分为三部分：mnist.train 是训练图片数据， mnist. validation 是验证图片数据，mnist.test是测试图片数据，这正好对应了机器学习中的训练集、验证集和测试集。

一般来说，会在训练集上训练模型，通过模型在验证集上的表现调整参数，最后通过测试集确定模型的性能。正如上节课展示的一样，每张图片都由一个28×28 的矩阵表示，每张图片都由一个784 维的向量表示（28*28=784），处理后的每一张图片是一个长度为784的一维数组，这个数组中的元素对应了图片像素矩阵中的每一个数字。