DL with python(6)——Keras实现手写数字识别（全连接网络）
本文涉及到的是中国大学慕课《人工智能实践：Tensorflow笔记》第三讲的内容，通过六步法利用keras框架搭建神经网络的手写数字识别模型，这里只涉及简单的全连接网络，旨在对整体的思路进行了解。
六步法的基本步骤和DL with python(4)——基于Keras的二层神经网络鸢尾花分类中介绍的一致，这里只是数据集和网络的结构有所改变，基本框架没有改变。
在第四讲对网络八股的拓展中，这部分代码将作为拓展的基础，因此有必要梳理一下。
MNIST数据集
MNIST 数据集是非常有名的一组数据，一共有 7 万张图片，是 28×28 像素的 0 到 9 手写数字数据集，其中 6 万张用于训练，1 万张用于测试。每张图片包括 784（28×28）个像素点，使用全连接网络时可将 784 个像素点组成长度为 784 的一维数组，作为输入特征。数据集图片如下所示。
代码实现
需要注意的几点：
MNIST数据的训练集和测试集是分开的，因此不需要进行划分，即设置测试集的比重。
灰度图的像素大小是0-255，需要归一化到0-1。
图片大小是28×28，对于全连接网络，要转换为1×784的一维向量输入。
# 第一步，导入相关模块
import tensorflow as tf
# 第二步，导入数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data() # 训练集特征和标签，测试集特征和标签
x_train, x_test = x_train / 255.0, x_test / 255.0 # 灰度值归一化为0-1之间
# 第三步，搭建网络结构
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(), # 输入特征拉直为1-D数组
tf.keras.layers.Dense(128, activation='relu'), # 网络层1
tf.keras.layers.Dense(10, activation='softmax') # 网络层2，输出概率分布
])
# 第四步，配置训练方法
model.compile(optimizer='adam', # adam优化器
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False), # 输出概率分布，所以from_logits=False
metrics=['sparse_categorical_accuracy'])
# 第五步，执行训练，依次为训练集样本，训练集标签，小批量大小32，训练轮次5，测试集，训练集循环1轮次进行一次测试
model.fit(x_train, y_train, batch_size=32, epochs=5, validation_data=(x_test, y_test), validation_freq=1)
# 第六步，打印网络结构和参数统计
model.summary()
Fashion_mnist数据集
Fashion_mnist 数据集具有 mnist 近乎所有的特征，包括 60000 张训练图片和 10000 张测试图片，图片被分为十类，每张图像为 28×28 的分辨率。
将MNIST数据集替换成Fashion_mnist 数据集，十分简单，只要修改第二步导入数据集的代码就可以了，其他部分仍然可以使用。
# 第二步，导入数据集
fashion = tf.keras.datasets.fashion_mnist
(x_train, y_train),(x_test, y_test) = fashion.load_data() # 训练集特征和标签，测试集特征和标签
x_train, x_test = x_train / 255.0, x_test / 255.0 # 灰度值归一化为0-1之间