python编译神经网络识别mnist数据集，预报准确率很低

我自己根据《神经网络与深度学习实战》这本书的第五章写了一个python的程序，来识别mnist数据集，但是最后预报的结果只有0.092，书上却有0.94，我不清楚哪里有问题，希望大佬能指导一下，萌新入坑！

下面是代码

from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
from matplotlib.ticker import LinearLocator,FormatStrFormatter
import matplotlib.pyplot as plt
from numpy import *
from six.moves import xrange

import numpy
import scipy.special

class NeuralNetWork:
    def __init__(self,inputnodes,hiddenodes,outputnodes,learningRate):

        #初始化网络，设置输入层，中间层，输出层的节点数
        self.input_nodes = inputnodes
        self.hidden_nodes = hiddenodes
        self.output_nodes = outputnodes
        self.lr = learningRate

        #初始化权重矩阵，有两个权重矩阵，一个是wih，表示输入层和中间层节点间链路权重形成的矩阵
        #一个是who，表示中间层和输出层间链路权重形成的矩阵
        self.wih = numpy.random.rand(self.hidden_nodes,self.input_nodes) - 0.5
        self.who = numpy.random.rand(self.output_nodes,self.hidden_nodes) - 0.5
        pass

    def fit(self,inputs_list,targets_list):

        #1.根据输入的训练数据更新节点的链路权重
        #把inputs_list，targets_list转换成numpy支持的二维矩阵
        #.T表示做矩阵的转置
        inputs = numpy.array(inputs_list,ndmin=2).T
        targets = numpy.array(targets_list,ndmin=2).T

        #计算信号经过输入层后产生的信号量
        hidden_inputs = numpy.dot(self.wih,inputs)

        #中间层神经元对输入的信号做激活函数后得到输出信号
        #sigmoid激活函数对应于scipy.special.expit(x)
        sigmoid = lambda x:scipy.special.expit(x)
        hidden_outputs = sigmoid(hidden_inputs)

        #输出层接受来自中间层的信号量
        final_inputs = numpy.dot(self.who,hidden_outputs)

        #输出层对信号量做激活函数后得到最终输出信号
        final_outputs = sigmoid(final_inputs)

        #2.计算误差
        output_errors = targets - final_outputs

        #3.反向传播误差
        hidden_errors = numpy.dot(self.who.T,output_errors)

        #4.根据误差计算链路权重的更新量，然后把更新量加到原来的链路权重上
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)),numpy.transpose(hidden_outputs))
        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),numpy.transpose(inputs))

        pass

    def evaluate(self,inputs):

        #输入新数据，网络会给出对新数据的判断结果,inputs对应输入信号量
        hidden_inputs = numpy.dot(self.wih,inputs)

        #sigmoid激活函数对应scipy.special.expit(x)
        sigmoid = lambda x:scipy.special.expit(x)
        hidden_outputs = sigmoid(hidden_inputs)

        #计算输出层神经元接收到的信号
        final_inputs = numpy.dot(self.who,hidden_outputs)

        #调用sigmoid函数计算最外层神经元输出信号
        final_outputs = sigmoid(final_inputs)
        print(final_outputs)

        pass

input_nodes = 784
hidden_nodes = 100
output_nodes = 10
leraning_rate = 0.3
n = NeuralNetWork(input_nodes,hidden_nodes,output_nodes,leraning_rate)

from keras.datasets import mnist
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
from keras.utils import to_categorical

#将图片像素点值转换到取件[0,1]
train_images = train_images.reshape((60000,28*28))
train_images = train_images.astype('float32') / 25
test_images = test_images.reshape((10000,28*28))
test_images = test_images.astype('float32') / 255

#将标注转换为向量格式
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

#将训练图片与图片对应的标签配对后输入网络训练
for train_image,train_label in zip(train_images,train_labels):
    n.fit(train_image,train_label)

scores = []
#使用测试数据检验网络训练结果没计算网络判断准确率
for test_image,test_label in zip(test_images,test_labels):
    output = n.evaluate(test_image)
    evaluate_label = numpy.argmax(output)
    correct_label = numpy.argmax(test_label)

    #预测正确添加1错误添加0，最后1的个数除以数值长度就得到准确率
    if evaluate_label == correct_label:
        scores.append(1)
    else:
        scores.append(0)
scores_array = numpy.asarray(scores)
print("performace = ",scores_array.sum() / scores_array.size)