版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Einstellung/article/details/82658904
数据
首先加载数据
from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()接下来，看看这个数据集的基本情况：
train_images.shape(60000, 28, 28)
len(train_labels)60000
train_labelsarray([5, 0, 4, …, 5, 6, 8], dtype=uint8)
test_images.shape(10000, 28, 28)
len(test_labels)10000
test_labelsarray([7, 2, 1, …, 4, 5, 6], dtype=uint8)
网络构架
from keras import models
from keras import layers
network = models.Sequential()
network.add(layers.Dense(512, activation='relu', input_shape=(28 * 28,)))
network.add(layers.Dense(10, activation='softmax'))Keras可以帮助我们实现一层一层的连接起来，在本例中的网络包含2个Dense层，他们是密集连接（也叫全连接）的神经层。第二层是一个10路softmax层，他将返回一个由10个概率值（总和为1）组成的数组。每个概率值表示当前数字图像属于10个数字类别中的某一个的概率。
编译
要想训练网络，我们还需要设置编译步骤的三个参数：
损失函数
优化器(optimizer)：基于训练数据和损失函数来更新网络的机制
在训练和测试过程中需要监控的指标(metric)：本例只关心精度，即正确分类的图像所占的比例。
network.compile(optimizer='rmsprop',
loss='categorical_crossentropy',
metrics=['accuracy'])图像数据预处理
在训练之前，需要对图像数据预处理，将其变换成网络要求的形状，并缩放所有值都在[0,1]区间。比如，之前训练图像保存在一个uint8类型的数组中，其形状为(60000，28， 28)，取值范围为[0， 255]。我们需要将其变换成一个float32数组，其形状为(60000， 28*28)，取值范围为0-1
train_images = train_images.reshape((60000, 28 * 28)) #把一个图像变成一列数据用于学习
train_images = train_images.astype('float32') / 255 #astype用于进行数据类型转换
test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255训练
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
network.fit(train_images, train_labels, epochs=5, batch_size=128)会有一个输出
看看测试集表现如何：
test_loss, test_acc = network.evaluate(test_images, test_labels)
print('test_acc:', test_acc)我们还可以看某一个具体的图像显示情况
digit = train_images[4]
import matplotlib.pyplot as plt
plt.imshow(digit, cmap = plt.cm.binary)
plt.show()