卷积神经网络CNN----mnist数据集识别手写数字图像实现

卷积核： 一个n×n的矩阵
感受野： 一个神经元所接受并响应的刺激区域
卷积神经网络(Convolutional Neural Networks): 借助卷积核提取特征后，送入全连接网络

注：

1. 卷积神经网络采用局部连接和权值共享，与全连接神经网络相比更接近生物神经网络，且同一层神经元的权值相同，可以并行学习。
2. 卷积核中的权值是从数据中学习得到的
3. 一个卷积核只能提取一个特征，同时提取多个特征就需要同时使用多个卷积核。

神经网络结构： 多层前馈型神经网络[划分为：特征提取阶段、分类识别阶段]

特征提取阶段[卷积、标准化、激活、池化]
卷积层： 特征提取层
每个卷积层包含多个卷积核，用于提取不同特征，每个卷积核都输出一张特征图
常用ReLU函数做激活函数
池化层： 特征映射层
减少数据处理量的同时，保留有用信息。进一步抽象了信息，提高了泛化性，防止过拟合
最大值池化可以提取图片纹理
均值池化可以保留背景特征

mnist数据集识别手写数字图像

import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #run configuration Params 显示中文标签为黑体
#model.summary()查看信息
model=tf.keras.Sequential([
    #unit1
    #16为卷积核的数目，input_shape(samples,rows,cols,channels) 这里是28*28的图像，通道数为1
    tf.keras.layers.Conv2D(16,kernel_size=(3,3),padding="same",activation=tf.nn.relu,input_shape=(28,28,1)),
    tf.keras.layers.MaxPool2D(