深度学习手写体识别

1. softmax函数
   softmax函数常用在输出层，配合输出层完成多分类输出的任务，将输入数据映射为0~1的常数集。基于Keras搭建神经网络时，选择softmax函数，可添加激活函数

model.add(Activation('softmax'))

2. 搭建感知器网络结构

#单层的模型
#导入序贯模型
from keras.models import Sequential
#导入layers模块，为搭建全连接层做准备
from keras.layers.core import Dense,Activation
model=Sequential
#设置第一个输入层输入维度为784，输出维度为10，输出层结合激活函数softmax
model.add(Dense(num_class=10,input_shape=(784,)))
model.add(Activation('softmax'))
#在运行结果中显示神经网络的模型概要
model.summary()

3. 编译和训练
   神经网络搭建完成后，就要对网络进行编译，定义该网络的学习方式，选择损失函数，优化算法，设置评估标准模型：

model.compile(
    loss='categorical_crossentropy',     #损失函数选择CE交叉熵函数
    optimizer='adam',                    #优化器选择adam
    metrics=['accuracy'],                #用accuracy作为评估模型训练结果
    )

接下来就是进行训练，同时可以将训练过程储存在变量中：

#训练可以通过model.fit()完成
N_EPOCHS=20
BATCH_SIZE=128
VALIDATION_SPLIT=0.2
Training=model.fit(
    train_images,train_labels,
    batch_size