使用keras中自带的mnist（手写图片）数据集训练一个识别模型。

     一.理论知识:  深度学习（建议看李宏毅的深度学习视频补充理论知识）。

      二.工作环境：使用Anaconda的juypter notebook（python全家桶，里面集成了许多有用的包)，然后安装TensorFlow库，安装方法上网搜一下。

      三.源码：

#导包

import numpy as np
from tensorflow import keras

from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Conv2D,MaxPooling2D,Flatten
from tensorflow.python.keras.layers import Dense,Dropout,Activation
from tensorflow.python.keras.optimizers import SGD,Adam
from tensorflow.python.keras.utils import np_utils
from tensorflow.python.keras.datasets import mnist
import tensorflow as tf

#导入数据，不用过多纠结这里，就是处理数据的一个功能

def load_data():
    (x_train,y_train),(x_test,y_test) = mnist.load_data()
    number = 10000
    x_train = x_train[0:number]
    y_train = y_train[0:number]
    x_train = x_train.reshape(number,28*28)
    x_test = x_test.reshape(x_test.shape[0],28*28)
    x_train = x_train.astype('float32')
    x_test = x_test.astype('float32')
    y_train = np_utils.to_categorical(y_train,10)
    y_test = np_utils.to_categorical(y_test,10)
    x_train = x_train
    x_test = x_test
    x_train = x_train / 255
    x_test = x_test / 255
    return (x_train,y_train),(x_test,y_test)

(x_train,y_train),(x_test,y_test) = load_data()

      #ps：运行代码，数据会自动下载，如果无法正常下载，则手动将数据包放入默认目录,  C:\Users\（你电脑的用户名）#\.keras\datasets  下载地址：https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz

#查看一下我们训练样本的数据格式

x_train.shape      #输出（10000，784），说明训练数据是二维的，表示有一万个训练样本，每一个样本有28*28=784个值

#查看我们输出样本（也就是标签）的数据格式

y_train.shape       

#输出（10000，10），说明输出样本数据是二维的，表示一万个训练样本，每一个样本有10个值.因为

#我们用one-hot来表示数据，总共有0,1,2,3....9，有10个数字，用10维的向量表示数字。比如[0,0,1,0,0,0,0,0,0]表示数字2,[1,0,0,0,0,0,0,0,0,0,]表示数据0

#建立神经网络结构

model = model = Sequential()#建立神经网络结构

#第一层，input_dim=28*28，表示每一个输入样本维度是784=28*28，units=666表示该神经元有666个，activation表示**函数#选择sigmoid

model.add(Dense(input_dim=28*28,units=666,activation = 'sigmoid'))

#第二层，可以直接写units=666，输入就是上一层的输出
model.add(Dense(units=666,activation='sigmoid'))

#第三层
model.add(Dense(units=500,activation='sigmoid'))

#第四层，units必须等于10，因为我们的输出是10个维度的向量，因为这里是一个多分类问题，所以最后一层activation选择#softmax**函数
model.add(Dense(units=10,activation='softmax'))

oprimizer=SGD(lr=0.1)#优化器选择SGD，学习率为0.1
model.compile(loss='mse'),
optimizer=optimizer,
metrics=[tf.keras.metrics.CategoricalAccuracy()]

# 查看神经网络结构
model.summary()

              

#开始训练

model.fit(x_train,y_train,batch_size=100,epochs=20)

#评估模型，输出loss，这里实际上已经把模型训练完了，可以调整参数，重新训练来优化模型。

result  = model.evaluate(x_test, y_test)
print(result)

 

 

#最后用模型做预测，预测需要做一点处理，因为我们的输出结果是一个10维的向量，但是在对应的位置不是简单的0和1，而是

#一个概率，我们可以打印看一下

predict=model.predict(x_test)
def as_num(x):
    y='{:.10f}'.format(x) # 10f表示保留10位小数点的float型
    return(y)
i= predict[0]
x=[]
for j in i:
    x.append(as_num(j))
print(x)#预测第一个测试样本的值

#可以看到第7个数字0.9999686480最接近1，所以我们可以知道该位是1的概率为0.9999968480

#所以我们可以对预测得到的数据做这样的处理，即设置一个阈值，如果该位>阈值时，则置为1否则置为0，我们设置阈值为0.5

for i in range(10000):
    for j in range(10):
        if(predict[i][j]<0.5):predict[i][j]=0# 遍历预测的值（矩阵），如果>0.5将该位置为1
        else:predict[i][j]=1

#处理完毕后，我们来看一下预测结果跟测试样本结果的比较

#统计测试集有多少预测正确的，并打印出来查看数据
x=0 
for i in range(10000):
    if((predict[i]==y_test[i]).all()):
        print(y_test[i],predict[i])
        x=x+1

print(x/10000)#计算准确率，判断正确的样本/总样本