深度学习一、手写数字集识别

1、从Keras导入自带的数据集并切分为训练集和测试集

from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()

train_images.shape
运行结果(60000, 28, 28)

2、网络架构

from keras import models
from keras import layers

network = models.Sequential()
network.add(layers.Dense(512,activation=‘relu’,input_shape = (28*28,)))
network.add(layers.Dense(10,activation=‘softmax’))

神经网络的核心组件是层（layer），它是一种数据处理模块，你可以将它看成数据过滤器。 进去一些数据，出来的数据变得更加有用。具体来说，层从输入数据中提取表示——我们期望 这种表示有助于解决手头的问题。大多数深度学习都是将简单的层链接起来，从而实现渐进式 的数据蒸馏（data distillation）。深度学习模型就像是数据处理的筛子，包含一系列越来越精细的 数据过滤器（即层）。

本例中的网络包含2 个 Dense 层，它们是密集连接（也叫全连接）的神经层。第二层（也 是最后一层）是一个10 路 softmax 层，它将返回一个由10 个概率值（总和为1）组成的数组。 每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率。