keras与卷积神经网络（CNN）实现识别mnist手写数字

在本篇博文当中，笔者采用了卷积神经网络来对手写数字进行识别，采用的神经网络的结构是:输入图片——卷积层——池化层——卷积层——池化层——卷积层——池化层——Flatten层——全连接层(64个神经元)——全连接层(500个神经元)——softmax函数，最后得到分类的结果。Flatten层用于将池化之后的多个二维数组展开成一维数组，再灌入全连接层的神经元当中。

首先导包：

import keras
from keras import layers
from keras import models

建立神经网络的顺序模型：

model = models.Sequential()

添加神经网络的结构(三组卷积层，池化层。一个flatten层，以及两个全连接层),激活函数我一般喜欢使用relu,当然你也可以使用sigmoid,tanh这两个激活函数，更改我的代码即可。由于是手写数字，最后的softmax一共只能够有十个数字，因此输出写10.激活函数使用softmax。其他都是relu。

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(lay