1.MNIST是keras中一個關於手寫識別的數據集，其中有6萬張訓練圖像與1萬張測試圖像。
keras中共有七個內置數據集，
注：CIFAR10與CIFAR100分別爲分類數爲10和分類數100的兩個圖片數據集。
【除內置數據庫外，UCI中還有較多免費資料庫】
2.引入數據集
from keras.datasets import mnist
(train_datas,train_labels),(test_datas,test_labels)=mnist.load_data()
train_images.shape #形狀爲一三維張量：（60000，28，28），即6萬張28*28的圖片
len（train_labels) #label爲一向量，維度與圖片個數對應，爲60000
3.架構神經網絡（Sequential類型）
from keras import models
from keras import layers
# models是文件名，Sequential對應其中的一個類，這裏是實例化一個對象
network = models.Sequential()
#網絡第一層需要給輸入的向量形狀，後續則無需再給，全連接網絡需要將輸入的圖片拉直成一個向量輸入，所謂拉直就是將圖片按行排列成一列向量。
network.add(layers.Dense(512,activation = 'relu',input_shape = (28*28,)))
#使用softmax分類
network.add(layers.Dense(10,activation = 'softmax'))
4.查看網絡
network.summary()
我們需要估計的參數有407050個，第一層需要估計一個784*512=401408個參數的矩陣，又需要加上一個512維的偏移向量，一共需要401408+512=401920個參數，第二層需要估計一個512*10=5120個參數的矩陣加上10維的偏移向量，共5130個參數，兩層共需401920+5130=407050個參數。
5.編譯網絡
network.compile(optimizer = 'rmsprop', loss = 'categorical_crossentropy', metrics=['accuracy'])
optimizer指明使用何種優化梯度下降的方法，keras支持的有：SGD（隨機梯度下降），RMSprop（本質上是weighted sum版的RMS），Adagrad（考慮不同梯度參數以往更新的RMS），Adam（考慮動量）等等
loss指明何種損失，用於衡量估計誤差，多分類任務常使用交叉熵。
metrics用於我們觀察模型的好壞，這裏使用分類正確率作爲標準。
6.數據預處理
我們希望我們輸入向量的值維持在0左右，常見的方法有壓縮到0和1之間，或是將其變爲常態分佈，這裏我們採取第一種方法，將圖片的每一個值除以255，然後使用reshape將其拉平，除以255後會出現小數，所以將其類別轉爲float型。
train_images = train_images.reshape((60000,28*28)) # 注意reshape要的輸入是個元組
train_images = train_images.astype('float32')/255
test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype('float32')/255
將類別數字組成的向量轉化爲one-hot向量組成的矩陣
from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
7.訓練網絡
採用batch大小爲128，5輪來訓練。
network.fit(train_images,train_labels,epoches=5,batch_size=128)
batch_size 代表神經網絡根據多少數據進行一次迭代（iteration：包含一次正向傳播，反向傳播）
一次epoch表示所有數據跑完，一次epoch需要經過的iteration(更新次數)爲所有數據數/batch_size，最終我們更新了epoches*每次epoches更新的iteration數。
8.衡量測試資料
這裏越過驗證集調參的過程，直接對測試集進行衡量好壞。
test_loss, test_acc = network.evaluate(test_images, test_labels)