1、基于Keras、Mnist手写数字识别数据集构建全连接（FC）神经网络训练模型

前言

提示：
1、本案例采用Keras，全连接神经网络相关知识实现，请读者自行了解，本文不再详细叙述；
2、本案例使用开源数据集Mnist（手写数字识别数据集），如果无法下载数据集，可尝试使用以下办法：

• 从百度网盘下载数据集文件mnist.npz，保存在本地（假设保存在D:\mydatasets\文件夹下）
  百度网盘下载地址：
  https://pan.baidu.com/share/init?surl=27CSAC9Ng6wFYdUI0WXIww
  提取码：2gsh

---

以下是本篇文章正文内容，下面案例仅供参考

一、MNIST数据集是什么？

MNIST 数据集来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。训练集 (training set) 由来自 250 个不同人手写的数字构成，其中 50% 是高中学生，50% 来自人口普查局 (the Census Bureau) 的工作人员。测试集(test set) 也是同样比例的手写数字数据。

数据集包含60,000个用于训练的示例和10,000个用于测试的示例。MNIST 数据集包含了四个部分：

• Training set images: train-images-idx3-ubyte.gz (包含 60,000 个样本)
• Training set labels: train-labels-idx1-ubyte.gz (包含 60,000 个标签)
• Test set images: t10k-images-idx3-ubyte.gz (包含 10,000 个样本)
• Test set labels: t10k-labels-idx1-ubyte.gz (包含 10,000 个标签)

训练数据集包含 60,000 个样本，测试数据集包含 10,000 样本。在 MNIST 数据集中的每张图片由 28 x 28 个像素点构成，每个像素点用一个灰度值表示。存储在28 x 28 的二维数组中，将这些像素展开为一个每行 784 个值的一维的行向量，每行就是代表了一张图片。

二、构建神经网络训练模型

1.导入库

导入Keras库：layers，models，datasets，utils
Dense方法，Sequential方法，utils.np_utils方法

代码如下（示例）：

from keras.layers import Dense
from keras.models import Sequential
from keras.datasets import mnist
from keras.utils import np_utils

2.载入数据

使用以下代码加载Mnist手写数字识别数据集数据（注意红色部分改变为你刚才存储的文件路径）"D:\mydatasets\mnist.npz"

代码如下（示例）：

mnist = tf.keras.datasets.mnist
# "D:\mydatasets\mnist.npz" 是Mnist手写数字识别数据集文件所在路径
(x_train,y_train),(x_test,y_test) = mnist.load_data("D:\mydatasets\mnist.npz")

由于数据集包含60,000个用于训练的示例和10,000个用于测试的示例，即训练集中存在60000个样本，测试集中存在10000个样本，其中每一个样本均为28 x 28像素的图片。
由此得知，

• x_train.shape: (60000, 28, 28)
  x_test.shape:(10000, 28, 28)
  y_train.shape:(60000,) # 训练集标签
  y_test.shape:(10000,) # 测试集标签

3.数据处理

样本像素展开

• 以训练集为例，对每一个样本进行像素展开（降维），得到 784 个值的一维的行向量，每行就是代表了一张图片，此时将得到一个行代表每一个图片样本，列代表样本个数的(60000, 784)的二维数组。

数据归一化处理

• 在 MNIST 数据集中的每张图片由 28 x 28 个像素点构成，每个像素点用一个灰度值表示。因此对每个像素进行归一化处理，有助于后续可以加快梯度下降的求解速度，即提升模型的收敛速度，从而优化模型训练速度，减少错误率（error），并提高模型识别精度（accuracy）。

标签转换独热编码

• 对标签数据转换为分类的 one-hot （独热）编码。

  原理：One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。独热编码是利用0和1表示一些参数，使用N位状态寄存器来对N个状态进行编码。

  简单来说：
  数字字体识别0~9中，独热编码分别为
  0：1000