首先，定义网络模型mnist_model
- 给出各种库函数的依赖，这里跟主函数一样，也需要依赖Conv2D，Maxpooling，Dense，Flatten等各种层函数，实际上主函数部分因为没有网络结构的定义，所以不需要这些层函数的定义
- 最重要的，keras.models类，包含了网络的序贯模型：Sequential（）
from keras.models import Sequential
- 然后，我们参考lenet-5的网络结构，可以看到第一卷积层有6个卷积核，卷积核的大小是5*5，第一池化层缩小一倍，pooling_size = (2,2)，第二卷积层有16个卷积核，卷积核的大小是（5,5），第二池化层与第一池化层相同，然后将第二池化层压平Flatten，然后跟上全连接层Dense进行非线性组合以及降维到120，第二次降维到84，第三次降维到n_class=10
- 所以需要用到的核心层有：Conv2D, Maxpooling, Flatten, Dense这几种网络，它们都属于keras.layers类
from keras.layers import Conv2d,MaxPool2d,Flatten,Dense
图片.png
- 在完成了库函数的定义后，我们开始搭建网络结构
def mnist_model():
# 第一卷积层：
mnist_model.add(Conv2D(6,(5,5),activation='relu',input_shape=input_shape))
- 第一卷积层必须指定input_shape，一般input_shape=(row, col, channel)
#第一池化层
mnist_model.add(MaxPool2D(pool_size=(2,2)))
#第二卷积层，这层不需要指定input
mnist_model.add(Conv2D(16,(5,5),activation='relu'))
#第二池化层
mnist_model.add(MaxPool2D(pool_size))
Flatten层
mnist.model.add(Flatten())
Dense层
mnist_model.add(Dense(120,activation='relu'))
Dense层
mnist_model.add(Dense(120,activation='relu'))
return mnist_mode
model函数部分到此为止
在主函数部分，首先也是导入依赖的数据库
import model # 这是自己定义的模型函数
import numpy # 涉及reshape的操作，需要依赖numpy.reshape
from keras.dataset import mnist #导入keras自带的mnist数据库
首先，分出训练集和测试集，
（x_train,y_train），（x_test,y_test）=mnist.load_data()
然后，这里的x_train是60000,28,28的数组tuple，因为第一层必须指定input_shape,一般情况下，tensorflow的变量结构为：“数量，行，列，颜色通道”。(不好说啊，，)
if keras.backend.image_data_format() = 'chanel_first'
# 此时希望数组的维度从60000,28,28转到60000,1,28,28
x_train = numpy.reshape(x_train,[x_train.shape[0],1,28,28])
x_test = numpy.reshape(x_test,[x_test.reshape[1],1,28,28])
else
x_train = numpy.reshape(x_train,[x_train.shape[0],28,28,1])
x_test = numpy.reshape(x_test,[x_train.shape[0],28,28,1])
# 一般情况下是后一种，也是tensorflow变量的标准存储形式
然后，是一些基本参数，涉及到batch_size, epoch, input_shape，n_class
batch_size = 32
epoch = 12
n_class = 10
然后是y_train,y_test转换成one-hot形式
y_train = keras.utils.np_utils.to_categorical(y_train,n_class)
y_test = keras.utils.np_utils.to_categorical(y_test,n_class)
model = model.mnist_model(input_data, n_class)
model.compile(optimizer='Adadelta', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train,y_train,batch_size,epoch,verbose=1)
载入模型，就是将模型放在这，
然后是编译模型，最重要的三个参数，一个是优化器，一个是损失，一个是性能评估
最后是训练模型，需要训练数据，训练标签，batch_size,epoch,
verbose是是否显示进度条的选项。
如果需要保存model
keras.models.save_model(temp_model,'mnist.h5')
del temp_model
temp_model = load_model('mnist.h5')
score = temp_model.evaluate(x_test,y_test,verbose=0)
print('test loss:',score[0])
print('test accuracy:',score[1])