mnist手写识别数据集（Keras实现）

import numpy   #导入数据库
from tensorflow.keras.datasets import mnist
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical #进行one-shot编码
 
seed = 7   #设置随机种子，保证每次随机的数据都相同（在随机种子相同的情况下）
numpy.random.seed(seed)
 
(X_train, y_train), (X_test, y_test) = mnist.load_data() #加载数据，测试数据，训练数据
 
num_pixels = X_train.shape[1] * X_train.shape[2]#训练数据的行列数
X_train = X_train.reshape(X_train.shape[0], num_pixels).astype('float32')
X_test = X_test.reshape(X_test.shape[0], num_pixels).astype('float32')
#数据集是3维的向量（instance length,width,height).对于多层感知机，模型的输入是二维的向量，因此这
#里需要将数据集reshape，即将28*28的向量转成784长度的数组。可以用numpy的reshape函数轻松实现这个过
#程。
 
#给定的像素的灰度值在0-255，为了使模型的训练效果更好，通常将数值归一化映射到0-1。
X_train = X_train / 255#归一化
X_test = X_test / 255
 
#最后，模型的输出是对每个类别的打分预测，对于分类结果从