项目所用技术：
TensorFlow 1.2.0 + Flask 0.12 + Gunicorn 19.6。
类比的话TensorFlow 就是游戏里的背包，里面有各种有用的道具（api），Flask是游戏本身，只有在Flask项目里面用TensorFlow才有用， Gunicorn是对于大型项目是游戏平台，对于我们这个小项目就是游戏启动器，只有用 Gunicorn才能把Flask启动起来。
大体思路是：在页面通过 Canvas 画一个数字，然后传给TensorFlow识别，分别给出Softmax回归模型、多层卷积网络的识别结果。使用鼠标在画布上自由编写一行，请将其作为输入（根据所使用的模型调整为28x28）发送到服务器，并返回判断为MNIST返回的每个模型的判断显示结果。结果大致为使用简单Softmax逻辑回归的单层，分类率约91.2％；多层卷积神经网络，分类率约99.2％。但是基于这种实现是无法实现多个手写数字识别的，原因在于使用Canvas，提交数据的一瞬间是你鼠标离开画布的一瞬间，也即使用Canvas只能画一笔。故所有的多个数字识别都是上传图片进行OCR处理，或者通过opencv连接摄像头进行识别。但在本实验中，为了更好的体现人机交互，进行算法演示和改进，选用Canvas进行单个数字识别。
TensorFlow
Tensorflow涉及到模型的建立、训练、应用等步骤。首先我们需要了解整个算法的思想，然后多亏Tensorflow的各种打包好的算法，让我们可以使用一行语句完成各种复杂的运算。比如卷积运算、梯度下降算法、回归函数等，真太NB了。
我们只要按要求调用建立几层卷积层、池化层、全连接层即可。代码如下：
Flask
作为系统前端，一般会使用Bootstarp写整个页面，涉及到具体的控件，如上传按钮、进度条、画图，可以直接使用相关控件。而数据交互则涉及到Ajax函数进行前后台的json数据交互。这里给出cavans画图的输入，以及一个上传多个文件的前端模板，这个是基于代码重复率比较的项目修改的。
这里尤为提一下Flask的简便的这一特点。Django自带了后台管理，但是启动一个有交互的Django页面则较为复杂，而Flask只要在main.py里写完相关route（）函数即可，巨简单。
Gunicorn
本来想找找相关的资料，但是所有网上能找到的都对初学者很不友好。就死磕这个视频吧，大致都能看懂，你就可以去和老师扯了。项目解析
总体而言该项目的特点有：1.算法上进行了Softmax回归模型、多层卷积网络两种算法的模拟，和结果显示。2.基于Flask框架实现了网页版的显示和交互。 3.部署在百度云CentOs 7.2的服务器上，项目运维的内容充足。以上三点足够完成一万字以上的毕业论文了。
Comments | NOTHING