相同条件下全连接和卷积神经网络的效果差异

#导入数据，查看数据属性
from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels)=mnist.load_data()

#构建训练模型
from keras import models#导入各种包
from keras import layers
network=models.Sequential()#模型选择sequential
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))#512个隐藏节点，激活函数采用relu函数，输入784像素
network.add(layers.Dense(512,activation='relu'))#512个隐藏节点，激活函数采用relu函数，输入784像素
network.add(layers.Dense(512,activation='relu'))#512个隐藏节点，激活函数采用relu函数，输入784像素
network.add(layers.Dense(512,activation='relu'))#512个隐藏节点，激活函数采用relu函数，输入784像素
network.add(layers.Dense(10,activation='softmax'))#十个类别，分类函数采用softmax

#编译步骤
network.compile(optimizer='rmsprop',
               loss='categorical_crossentropy',
               metrics=['accuracy'])

#准备图像数据
train_images=train_images.reshape((6