使用卷积神经网络进行手写识别

1. CNN本质：一种输入到输出的映射，能够学习大量的输入和输出之间的映射关系，不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力
2. 卷积层：通过卷积核与输入进行卷积运算，提取局部特征
3. 池化层：减少特征图的维度，减少数据的运算量，突出特征
4. 全连接层：把以前的局部特征通过权值矩阵，组装成完整的图，整合完成后，输出一个分类值。全连接层之前是提取特征值，全连接层的作用就是分类
5. 使用CNN进行手写识别：

        (1)加载数据集：使用keras.datasets模块中的mnist导入手写数据(x_train, y_train), (x_test, y_test)=mnist.load_data()，将特征值变为0-1之间

         (2)创建神经网络模型：model=Sequential()。创建后添加卷积层Conv2D(卷积核个数，卷积核大小，输入，激活函数)，再添加池化层MaxPool2D()。为避免模型过拟合，将数据随机丢弃一部分Dropout(0.2)。再添加卷积层，池化层，将输出的数据一维化：Flatten()。添加全连接层Dense()。指定优化器及损失函数model.compile(优化器，损失函数)

         (3)对模型进行训练：将训练的标签进行one-hot编码to_catego